CN116340830B - 一种基于深层记忆模型的高速公路机电系统故障分类方法 - Google Patents
一种基于深层记忆模型的高速公路机电系统故障分类方法 Download PDFInfo
- Publication number
- CN116340830B CN116340830B CN202310564964.8A CN202310564964A CN116340830B CN 116340830 B CN116340830 B CN 116340830B CN 202310564964 A CN202310564964 A CN 202310564964A CN 116340830 B CN116340830 B CN 116340830B
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- fault
- electromechanical system
- memory model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能交通技术领域,且公开了一种基于深层记忆模型的高速公路机电系统故障分类方法,该方法包括以下步骤:获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据;基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合;基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间;基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类。本发明能够有效的对高速公路机电系统的故障进行自动分类,进而提高了高速公路机电系统的安全性和稳定性,能够避免因故障导致的意外事故。
Description
技术领域
本发明涉及智能交通技术领域,具体来说,涉及一种基于深层记忆模型的高速公路机电系统故障分类方法。
背景技术
高速公路是一种设置有高速行驶限制和交通安全措施的道路,通常用于连接城市和地区,使车辆能够以更高的速度行驶。高速公路一般具有以下特点:宽阔平整的路面、分离式双向多车道、无信号灯交叉口、机动车专用、往往设置有收费站等,而高速公路机电系统是高速公路的重要组成部分。一个良好的机电系统是保障高速公路能够快速、高效运营的关键;现阶段高速公路机电系统由收费系统、通信系统、监控系统、低压供配电系统、照明系统和隧道机电系统组成。各种设备分布于高速公路整条路段范围内,主要集中安装于收费广场、收费站立交区、收费站站房、隧道内外和中心机房内。
我国的高速公路建设作为国家重点发展对象,对促进国民经济发展起着重要的作用,近年来,随着智能辅助驾驶、ETC等技术的不断发展,我国高速公路建设规模越来越大,同时,还附带着高速公路机电系统中智能交通机电设备的数量也越来越多,而且分布较为广泛,因此,由于高速公路机电系统中智能交通机电设备使用复杂、分类不规范,设备健康运行状况预测评估不足,养护体系缺乏决策分析等问题,加之高速公路的不间断运营特点,对其配套的机电设施提出了更高质量的要求。另外,随着机电设施使用年限的增加,必然会存在使用性、经济性等下降的现象,并对系统运营产生不可忽视的影响。
目前,现存的高速公路的机电系统中,多数的高速公路机电系统故障分类仍然依赖专业技术人员的经验判断和分析,而这种方法不仅费时费力,而且容易受到人为因素的影响,同时,由于高速公路机电系统中机电设备的复杂性高、可靠性要求高等原因,导致故障类型繁多,难以进行全面准确的分类。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于深层记忆模型的高速公路机电系统故障分类方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于深层记忆模型的高速公路机电系统故障分类方法,该方法包括以下步骤:
S1、获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据;
S2、基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合;
S3、基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间;
S4、基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类。
进一步的,所述获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据包括以下步骤:
S11、获取高速公路机电系统中预设时间段内各机电设备的运行数据;
S12、通过数据清洗法删除运行数据中的异常值、重复值及错误值;
S13、通过均值填充法对运行数据中的缺失数据进行填充;
S14、通过数据转换法将运行数据进行标准化处理,得到标准化数据。
进一步的,所述基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合包括以下步骤:
S21、获取高速公路机电系统中各机电设备的历史数据并构建深层记忆模型;
S22、将得到的所述标准化数据作为输入并输入至所述深层记忆模型中,并通过所述深层记忆模型的中间层获取特征向量作为标准化数据的特征表示;
S23、通过遗传编程法对获取的特征向量进行特征优化,并得到复合特征集。
进一步的,所述获取高速公路机电系统中各机电设备的历史数据并构建深层记忆模型包括以下步骤:
S211、获取高速公路机电系统中各机电设备类型以及各机电设备预设时段的历史数据,所述历史数据中包括正常数据样本和故障数据样本;
S212、对获取的机电设备间歇过程中的历史数据;并对间歇过程中的历史数据按照变量进行展开;
S213、对每批次的数据以预设的采样间隔进行连续采样,提取出时间序列,并按预设的比例将采样的数据进行划分,得到包括正常数据样本和故障数据样本的训练集;
S214、将长短期记忆网络作为基本神经元并搭建深层记忆模型;
S215、将搭建好的深层记忆模型输出到Softmax分类器进行训练,训练时将含有正常数据样本和故障数据样本的所述训练集采用RMSProp算法进行迭代学习并优化网络参数。
进一步的,所述采用RMSProp算法进行迭代学习并优化网络参数包括以下步骤:
S2151、初始化长短期记忆网络的参数和RMSProp算法的缓存变量;
S2152、将训练数集输入长短期记忆网络进行前向传播,并计算损失函数的值;
S2153、对所述损失函数进行反向传播,并计算每个参数对应的梯度;
S2154、根据RMSProp算法计算当前梯度的平方,并更新RMSProp算法的缓存变量;
S2155、计算学习率,并更新所有参数;
S2156、重复步骤S2152-S2155,直到达到预定的迭代次数。
进一步的,所述通过遗传编程法对获取的特征向量进行特征优化,并得到复合特征集包括以下步骤:
S231、对获取的特征向量进行归一化处理,得到特征集合,并生成遗传编程的终端符集和运算符集;
S232、采用Bootatrap方法处理归一化后的特征集合,并得到统计特征的样本集;
S233、通过自由组合的层式表达式并结合所述运算符集构成复合特征集,生成初始群体;
S234、采用赌轮选择法,从初始群体中选择最优的个体并复制到下一代,生成一个新的群体;
S235、重复步骤S234,直至群体进化到最优状态。
进一步的,所述采用赌轮选择法,从初始群体中选择最优的个体并复制到下一代,生成一个新的群体包括以下步骤:
S2341、计算初始群体中每个个体的适应度值;
S2342、根据适应度值计算每个个体对应的概率区间;
S2343、在概率区间[0,1]之间生成一个随机数r,并根据随机数r落入的概率区间,则选中该概率区间内的个体进行复制;
S2344、将选择出来的个体进行交叉及变异操作,生成新的个体群体;
S2345、重复步骤S2341-步骤S2344,直到满足最大迭代次数为止。
进一步的,所述基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间包括以下步骤:
S31、将得到的复合特征组成状态特征库,并依据状态特征库定义阈值;
S32、利用复合特征中的特征值与阈值进行比较,并将大于阈值的复合特征作为故障特征,形成故障特征集合;
S33、将所述故障特征集合中的特征类别进行去重处理,并得到故障特征词集;
S34、利用故障特征词集为坐标轴建立自动分类空间。
进一步的,基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类包括以下步骤:
S41、通过构建的深层记忆模型对高速公路机电系统中机电设备的实时数据进行特征提取,得到实时特征集合;
S42、基于自动分类空间将所述实时特征集合的特征及故障特征词集转化为自动分类空间中的空间向量;
S43、计算实时特征集合中的特征值与故障特征词集中特征值的相似度;
S44、基于所述相似度将所述实时特征集合中的故障特征按照所述故障特征词集中故障特征进行分类。
进一步的,所述计算实时特征集合中的特征值与故障特征词集中特征值的相似度的计算公式为:
SIM(A,B)=cosθ
其中,SIM(A,B)表示实时特征集合中的特征值与故障特征词集中特征值的相似度;
A表示实时特征集合中特征值的空间向量;
B表示故障特征词集中特征值的空间向量;
θ表示实时特征集合中特征值的空间向量与故障特征词集中特征值的空间向量之间的夹角。
本发明的有益效果为:
1、本发明通过高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据,然后基于深层记忆模型对得到的标准化数据进行特征提取并进行特征优化,得到复合特征集合,最后基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类,从而能够有效的对高速公路机电系统的故障进行自动分类,进而提高了高速公路机电系统的安全性和稳定性,能够避免因故障导致的意外事故。
2、本发明通过对获取高速公路机电系统中预设时间段内各机电设备的运行数据进行数据清洗、缺失数据填充以及数据的标准化转换,从而识别和修复错误、缺失和不一致的数据值,提高数据质量,有利于后续对运行数据的特征提取提供数据支撑,进而能够提高对高速公路机电系统故障分类的准确性。
3、本发明通过深层记忆模型对得到的标准化数据进行特征提取,从而可以将原始数据转换为更加抽象和具有代表性的特征表示,能够提高数据处理和分析的效率和准确率,同时通过遗传编程法对获取的特征向量进行特征优化,可以自动选择最佳的特征,不需要手动选择或设计特征,能够节省时间和精力,可以提高深层记忆模型的性能和泛化能力,同时增强深层记忆模型的可解释性和鲁棒性。
4、本发明基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类,从而能够实时地对故障数据进行分类,可以及时发现故障,且无需人工干预,进而能够减少人工成本和时间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于深层记忆模型的高速公路机电系统故障分类方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于深层记忆模型的高速公路机电系统故障分类方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于深层记忆模型的高速公路机电系统故障分类方法,该方法包括以下步骤:
S1、获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据;
其中,所述获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据包括以下步骤:
S11、获取高速公路机电系统中预设时间段内各机电设备的运行数据;
具体的,机电设备的运行数据包括电气参数、运行状态、温度数据、振动数据等等。
S12、通过数据清洗法删除运行数据中的异常值、重复值及错误值;
具体的,数据清洗是指在数据处理过程中,对收集到的数据进行检查、纠正和删除错误、不完整或者不合适的数据的一种操作;数据清洗的目的是确保数据的准确性和一致性。
S13、通过均值填充法对运行数据中的缺失数据进行填充;
具体的,均值填充法是一种缺失值处理方法,它将数据集中的缺失值用该特征的均值进行填充。均值填充法的步骤如下:
对于每个特征,计算非缺失值的均值。
对于该特征中的每个缺失值,用该特征的均值进行替换。
重复上述步骤,直到所有缺失值都被填充。
S14、通过数据转换法将运行数据进行标准化处理,得到标准化数据。
具体的,数据转换法是指将原始数据进行一系列的转换,以便于后续的分析和建模;数据转换的目的通常是为了提高数据质量或降低数据的复杂度。
S2、基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合;
其中,所述基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合包括以下步骤:
S21、获取高速公路机电系统中各机电设备的历史数据并构建深层记忆模型;
其中,所述获取高速公路机电系统中各机电设备的历史数据并构建深层记忆模型包括以下步骤:
S211、获取高速公路机电系统中各机电设备类型以及各机电设备预设时段的历史数据,所述历史数据中包括正常数据样本和故障数据样本;
S212、对获取的机电设备间歇过程中的历史数据;并对间歇过程中的历史数据按照变量进行展开;
具体的,间歇过程的数据往往有批次、时间和变量三个维度的信息;
其中,批次信息是指在生产或实验过程中,一组相关的数据被同时采集,并被标记为同一批次。批次信息可以用于识别不同批次之间的差异,检测生产或实验过程中的异常情况。
时间信息是指数据被采集的时间戳或时间序列信息。时间信息可以用于分析时间趋势、周期性和季节性等问题,以及确定故障发生的时间、持续时间和频率。
变量信息是指采集到的特征或属性信息。变量信息可以用于分析变量之间的相互作用关系,如相关性、因果性、线性和非线性关系等。
S213、对每批次的数据以预设的采样间隔进行连续采样,提取出时间序列,并按预设的比例将采样的数据进行划分,得到包括正常数据样本和故障数据样本的训练集;
S214、将长短期记忆网络作为基本神经元并搭建深层记忆模型;
具体的,长短期记忆网络(Long Short-Term Memory,LSTM)是一种记忆单元,可以构成一种时间递归的神经网络。与普通的RNN类似,每个单元有相同的参数,根据输入序列的长度,网络每层都有对应个数的LSTM单元,最终得到同样长度的输出序列。其中在一个单元中最重要的组成部分是三个门控:输入门、遗忘门和输出门,三个门控的激活函数,一般为Sigmoid函数。
S215、将搭建好的深层记忆模型输出到Softmax分类器进行训练,训练时将含有正常数据样本和故障数据样本的所述训练集采用RMSProp算法进行迭代学习并优化网络参数。
具体的,均方根支持(Root Mean Sqaue Prop,RMSProp)算法是在Adagrad算法的基础上改进而成,使其在非凸设定下效果更好。通过改变梯度积累为指数加权的移动平均,并使用指数衰减平均以丢弃遥远过去的历史,使其能够在找到凸结构后快速收敛。RMSProp算法可根据过去梯度的大小来自适应地调整学习率,以更好地适应不同的梯度方向和速度。
其中,所述采用RMSProp算法进行迭代学习并优化网络参数包括以下步骤:
S2151、初始化长短期记忆网络的参数和RMSProp算法的缓存变量;
S2152、将训练数集输入长短期记忆网络进行前向传播,并计算损失函数的值;
S2153、对所述损失函数进行反向传播,并计算每个参数对应的梯度;
S2154、根据RMSProp算法计算当前梯度的平方,并更新RMSProp算法的缓存变量;
S2155、计算学习率,并更新所有参数;
S2156、重复步骤S2152-S2155,直到达到预定的迭代次数。
S22、将得到的所述标准化数据作为输入并输入至所述深层记忆模型中,并通过所述深层记忆模型的中间层获取特征向量作为标准化数据的特征表示;
S23、通过遗传编程法对获取的特征向量进行特征优化,并得到复合特征集。
具体的,遗传编程是一种进化算法,它模仿生物进化的过程来生成计算机程序或模型。与其他进化算法不同的是,遗传编程使用程序或模型本身作为个体进行进化,而不是使用固定长度的二进制编码。遗传编程有三个主要的操作:复制、杂交和变异,但它的编码方式要比遗传算法复杂。
复制的目的是为了从当前群体中选出适应度高的优良个体,使它们有机会作为父代为下一代繁殖子孙,通过选择复制,提高了群体的平均适合度。
在遗传编程中,由于杂交操作减少了群体同一化的趋势,维持了群体的多样性。因此,群体的早熟收敛在遗传编程中不太可能发生。
变异是遗传编程中的次要算子,主要是为了维持群体的多样性。
其中,所述通过遗传编程法对获取的特征向量进行特征优化,并得到复合特征集包括以下步骤:
S231、对获取的特征向量进行归一化处理,得到特征集合,并生成遗传编程的终端符集和运算符集;
终端符集采用无量纲特征:峰值特征、裕度特征、信息熵,脉冲特征等。
运算符集包括加、减、乘、除、平方、开方、指数等运算。
S232、采用Bootatrap方法处理归一化后的特征集合,并得到统计特征的样本集;
S233、通过自由组合的层式表达式并结合所述运算符集构成复合特征集,生成初始群体;
S234、采用赌轮选择法,从初始群体中选择最优的个体并复制到下一代,生成一个新的群体;
具体的,赌轮选择法是一种基于概率的遗传算法中的选择操作,用于从种群中选择适应度高的个体来进行交叉和变异操作。该方法将每个个体的适应度看作一个“刻度”,并按照适应度大小将这些个体在一个轮盘上划分为不同的扇区,然后随机旋转轮盘并选取与停止位置对应的个体作为下一代的父代或母代。
其中,所述采用赌轮选择法,从初始群体中选择最优的个体并复制到下一代,生成一个新的群体包括以下步骤:
S2341、计算初始群体中每个个体的适应度值;
S2342、根据适应度值计算每个个体对应的概率区间;
S2343、在概率区间[0,1]之间生成一个随机数r,并根据随机数r落入的概率区间,则选中该概率区间内的个体进行复制;
S2344、将选择出来的个体进行交叉及变异操作,生成新的个体群体;
S2345、重复步骤S2341-步骤S2344,直到满足最大迭代次数为止。
S235、重复步骤S234,直至群体进化到最优状态。
S3、基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间;
其中,所述基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间包括以下步骤:
S31、将得到的复合特征组成状态特征库,并依据状态特征库定义阈值;
S32、利用复合特征中的特征值与阈值进行比较,并将大于阈值的复合特征作为故障特征,形成故障特征集合;
S33、将所述故障特征集合中的特征类别进行去重处理,并得到故障特征词集;
S34、利用故障特征词集为坐标轴建立自动分类空间。
S4、基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类。
其中,基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类包括以下步骤:
S41、通过构建的深层记忆模型对高速公路机电系统中机电设备的实时数据进行特征提取,得到实时特征集合;
S42、基于自动分类空间将所述实时特征集合的特征及故障特征词集转化为自动分类空间中的空间向量;
S43、计算实时特征集合中的特征值与故障特征词集中特征值的相似度;
其中,所述计算实时特征集合中的特征值与故障特征词集中特征值的相似度的计算公式为:
SIM(A,B)=cosθ
其中,SIM(A,B)表示实时特征集合中的特征值与故障特征词集中特征值的相似度;
A表示实时特征集合中特征值的空间向量;
B表示故障特征词集中特征值的空间向量;
θ表示实时特征集合中特征值的空间向量与故障特征词集中特征值的空间向量之间的夹角。
S44、基于所述相似度将所述实时特征集合中的故障特征按照所述故障特征词集中故障特征进行分类。
综上所述,借助于本发明的上述技术方案,本发明通过高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据,然后基于深层记忆模型对得到的标准化数据进行特征提取并进行特征优化,得到复合特征集合,最后基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类,从而能够有效的对高速公路机电系统的故障进行自动分类,进而提高了高速公路机电系统的安全性和稳定性,能够避免因故障导致的意外事故;本发明通过对获取高速公路机电系统中预设时间段内各机电设备的运行数据进行数据清洗、缺失数据填充以及数据的标准化转换,从而识别和修复错误、缺失和不一致的数据值,提高数据质量,有利于后续对运行数据的特征提取提供数据支撑,进而能够提高对高速公路机电系统故障分类的准确性;本发明通过深层记忆模型对得到的标准化数据进行特征提取,从而可以将原始数据转换为更加抽象和具有代表性的特征表示,能够提高数据处理和分析的效率和准确率,同时通过遗传编程法对获取的特征向量进行特征优化,可以自动选择最佳的特征,不需要手动选择或设计特征,能够节省时间和精力,可以提高深层记忆模型的性能和泛化能力,同时增强深层记忆模型的可解释性和鲁棒性;本发明基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类,从而能够实时地对故障数据进行分类,可以及时发现故障,且无需人工干预,进而能够减少人工成本和时间成本。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,该方法包括以下步骤:
S1、获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据;
S2、基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合;
S3、基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间;
S4、基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类;
其中,所述基于深层记忆模型对得到的标准化数据进行特征提取,得到特征参数,并对特征参数进行特征优化,得到复合特征集合包括以下步骤:
S21、获取高速公路机电系统中各机电设备的历史数据并构建深层记忆模型;
S22、将得到的所述标准化数据作为输入并输入至所述深层记忆模型中,并通过所述深层记忆模型的中间层获取特征向量作为标准化数据的特征表示;
S23、通过遗传编程法对获取的特征向量进行特征优化,并得到复合特征集;
所述通过遗传编程法对获取的特征向量进行特征优化,并得到复合特征集包括以下步骤:
S231、对获取的特征向量进行归一化处理,得到特征集合,并生成遗传编程的终端符集和运算符集;
S232、采用Bootatrap方法处理归一化后的特征集合,并得到统计特征的样本集;
S233、通过自由组合的层式表达式并结合所述运算符集构成复合特征集,生成初始群体;
S234、采用赌轮选择法,从初始群体中选择最优的个体并复制到下一代,生成一个新的群体;
S235、重复步骤S234,直至群体进化到最优状态;
所述采用赌轮选择法,从初始群体中选择最优的个体并复制到下一代,生成一个新的群体包括以下步骤:
S2341、计算初始群体中每个个体的适应度值;
S2342、根据适应度值计算每个个体对应的概率区间;
S2343、在概率区间[0,1]之间生成一个随机数r,并根据随机数r落入的概率区间,则选中该概率区间内的个体进行复制;
S2344、将选择出来的个体进行交叉及变异操作,生成新的个体群体;
S2345、重复步骤S2341-步骤S2344,直到满足最大迭代次数为止。
2.根据权利要求1所述的一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,所述获取高速公路机电系统的运行数据并对数据进行预处理,并得到标准化数据包括以下步骤:
S11、获取高速公路机电系统中预设时间段内各机电设备的运行数据;
S12、通过数据清洗法删除运行数据中的异常值、重复值及错误值;
S13、通过均值填充法对运行数据中的缺失数据进行填充;
S14、通过数据转换法将运行数据进行标准化处理,得到标准化数据。
3.根据权利要求2所述的一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,所述获取高速公路机电系统中各机电设备的历史数据并构建深层记忆模型包括以下步骤:
S211、获取高速公路机电系统中各机电设备类型以及各机电设备预设时段的历史数据,所述历史数据中包括正常数据样本和故障数据样本;
S212、对获取的机电设备间歇过程中的历史数据;并对间歇过程中的历史数据按照变量进行展开;
S213、对每批次的数据以预设的采样间隔进行连续采样,提取出时间序列,并按预设的比例将采样的数据进行划分,得到包括正常数据样本和故障数据样本的训练集;
S214、将长短期记忆网络作为基本神经元并搭建深层记忆模型;
S215、将搭建好的深层记忆模型输出到Softmax分类器进行训练,训练时将含有正常数据样本和故障数据样本的所述训练集采用RMSProp算法进行迭代学习并优化网络参数。
4.根据权利要求3所述的一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,所述采用RMSProp算法进行迭代学习并优化网络参数包括以下步骤:
S2151、初始化长短期记忆网络的参数和RMSProp算法的缓存变量;
S2152、将训练数集输入长短期记忆网络进行前向传播,并计算损失函数的值;
S2153、对所述损失函数进行反向传播,并计算每个参数对应的梯度;
S2154、根据RMSProp算法计算当前梯度的平方,并更新RMSProp算法的缓存变量;
S2155、计算学习率,并更新所有参数;
S2156、重复步骤S2152-S2155,直到达到预定的迭代次数。
5.根据权利要求1所述的一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,所述基于得到的复合特征集合与预设阈值进行比较,得到比较结果,并基于比较结果构建自动分类空间包括以下步骤:
S31、将得到的复合特征组成状态特征库,并依据状态特征库定义阈值;
S32、利用复合特征中的特征值与阈值进行比较,并将大于阈值的复合特征作为故障特征,形成故障特征集合;
S33、将所述故障特征集合中的特征类别进行去重处理,并得到故障特征词集;
S34、利用故障特征词集为坐标轴建立自动分类空间。
6.根据权利要求1所述的一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,基于构建的自动分类空间对高速公路机电系统故障进行实时自动分类包括以下步骤:
S41、通过构建的深层记忆模型对高速公路机电系统中机电设备的实时数据进行特征提取,得到实时特征集合;
S42、基于自动分类空间将所述实时特征集合的特征及故障特征词集转化为自动分类空间中的空间向量;
S43、计算实时特征集合中的特征值与故障特征词集中特征值的相似度;
S44、基于所述相似度将所述实时特征集合中的故障特征按照所述故障特征词集中故障特征进行分类。
7.根据权利要求6所述的一种基于深层记忆模型的高速公路机电系统故障分类方法,其特征在于,所述计算实时特征集合中的特征值与故障特征词集中特征值的相似度的计算公式为:
SIM(A,B)=cosθ
其中,SIM(A,B)表示实时特征集合中的特征值与故障特征词集中特征值的相似度;
A表示实时特征集合中特征值的空间向量;
B表示故障特征词集中特征值的空间向量;
θ表示实时特征集合中特征值的空间向量与故障特征词集中特征值的空间向量之间的夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564964.8A CN116340830B (zh) | 2023-05-19 | 2023-05-19 | 一种基于深层记忆模型的高速公路机电系统故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564964.8A CN116340830B (zh) | 2023-05-19 | 2023-05-19 | 一种基于深层记忆模型的高速公路机电系统故障分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116340830A CN116340830A (zh) | 2023-06-27 |
CN116340830B true CN116340830B (zh) | 2023-08-18 |
Family
ID=86893235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564964.8A Active CN116340830B (zh) | 2023-05-19 | 2023-05-19 | 一种基于深层记忆模型的高速公路机电系统故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340830B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290685A (zh) * | 2023-10-30 | 2023-12-26 | 广州发展南沙电力有限公司 | 一种基于历史数据的电厂电力设备专家诊断系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN110955774A (zh) * | 2019-11-08 | 2020-04-03 | 武汉光谷信息技术股份有限公司 | 基于词频分布的文字分类方法、装置、设备及介质 |
CN113743537A (zh) * | 2021-09-26 | 2021-12-03 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
CN115661869A (zh) * | 2022-09-09 | 2023-01-31 | 四川九洲电器集团有限责任公司 | 基于多维特征智能融合的射频信号指纹识别方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111740921A (zh) * | 2020-06-22 | 2020-10-02 | 南京邮电大学 | 基于改进K-means算法的网络流量分类方法及系统 |
-
2023
- 2023-05-19 CN CN202310564964.8A patent/CN116340830B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN110955774A (zh) * | 2019-11-08 | 2020-04-03 | 武汉光谷信息技术股份有限公司 | 基于词频分布的文字分类方法、装置、设备及介质 |
CN113743537A (zh) * | 2021-09-26 | 2021-12-03 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
CN115661869A (zh) * | 2022-09-09 | 2023-01-31 | 四川九洲电器集团有限责任公司 | 基于多维特征智能融合的射频信号指纹识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
"基于深度卷积神经网络的机电系统故障分类识别方法";毛向向等;<电子测量与仪器学报>;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116340830A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN116340830B (zh) | 一种基于深层记忆模型的高速公路机电系统故障分类方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN110675632B (zh) | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 | |
CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114692762A (zh) | 一种基于图注意力交互机制的车辆轨迹预测方法 | |
CN115877068A (zh) | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN116780530A (zh) | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN114625831A (zh) | 一种面向智能电网负荷辨识的分类评价反馈方法 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
Ma et al. | Data Model of Key Indicators of Urban Architectural Design Based on Long‐and Short‐Term Convolutional Memory Network | |
CN111833601B (zh) | 一种低通信开销的宏观交通规律建模方法 | |
CN113744081B (zh) | 窃电行为分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |