CN116374645A - 用于斗轮机的运行状态监控系统及其方法 - Google Patents
用于斗轮机的运行状态监控系统及其方法 Download PDFInfo
- Publication number
- CN116374645A CN116374645A CN202310210198.5A CN202310210198A CN116374645A CN 116374645 A CN116374645 A CN 116374645A CN 202310210198 A CN202310210198 A CN 202310210198A CN 116374645 A CN116374645 A CN 116374645A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature map
- bucket wheel
- sound
- wheel machine
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 118
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 8
- 238000007792 addition Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 230000004224 protection Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G65/00—Loading or unloading
- B65G65/005—Control arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G65/00—Loading or unloading
- B65G65/02—Loading or unloading machines comprising essentially a conveyor for moving the loads associated with a device for picking-up the loads
- B65G65/16—Loading or unloading machines comprising essentially a conveyor for moving the loads associated with a device for picking-up the loads with rotary pick-up conveyors
- B65G65/20—Paddle wheels
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Component Parts Of Construction Machinery (AREA)
Abstract
本申请公开了一种用于斗轮机的运行状态监控系统及其方法,其获取预定时间段内多个预定时间点的斗轮机的运行功率值,以及,所述预定时间段的声音探测信号;采用基于深度学习的人工智能检测技术,以斗轮机的运行功率特征和其在运行时的声音特征之间的差异表示因非运行功率因素而引起的声音特征响应,并基于差异对斗轮机的运行状态是否正常进行分类判断。这样,可以对斗轮机的运行状态进行实时监控,以避免事故的发生。
Description
技术领域
本申请涉及智能化监控技术领域,且更为具体地,涉及一种用于斗轮机的运行状态监控系统及其方法。
背景技术
近年来,随着设备智能化的发展,诸如斗轮机之类的堆取料设备也在往无人化方向发展。而防护技术是实现堆取料设备智能无人化必不可少的技术,由于实现智能无人化后,设备不再由人全程监护。
在诸多防护中,对设备运行状态进行异常检测是实现诸多防护的前提。相应地,一旦检测到设备异常,可产生设备运行状态异常预警以避免事故的发生。
因此,期待一种用于斗轮机的运行状态监控方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于斗轮机的运行状态监控系统及其方法,其获取预定时间段内多个预定时间点的斗轮机的运行功率值,以及,所述预定时间段的声音探测信号;采用基于深度学习的人工智能检测技术,以斗轮机的运行功率特征和其在运行时的声音特征之间的差异表示因非运行功率因素而引起的声音特征响应,并基于差异对斗轮机的运行状态是否正常进行分类判断。这样,可以对斗轮机的运行状态进行实时监控,以避免事故的发生。
根据本申请的一个方面,提供了一种用于斗轮机的运行状态监控方法,其包括:
获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;
将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;
基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;
将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;
将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;
计算所述声音特征图和所述生成声音特征图之间的差分特征图;
对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及
将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
在上述用于斗轮机的运行状态监控方法中,所述将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量,包括:使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用一维卷积核的第一卷积神经网络模型的最后一层的输出为所述运行功率特征向量,所述使用一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行功率输入向量。
在上述用于斗轮机的运行状态监控方法中,所述基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵,包括:构造所述运行功率特征向量的自高斯密度图,其中,所述自高斯密度图的均值向量为所述运行功率特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述运行功率特征向量中相应两个位置的特征值之间的方差;以及,对所述自高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述运行功率特征矩阵。
在上述用于斗轮机的运行状态监控方法中,所述对抗生成网络包括生成器和鉴别器,所述生成器包括多个反卷积层。
在上述用于斗轮机的运行状态监控方法中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构,所述第一图像编码器和所述第二图像编码器基于作为特征提取器的卷积神经网络模型来构建。
在上述用于斗轮机的运行状态监控方法中,所述计算所述声音特征图和所述生成声音特征图之间的差分特征图,包括:使用以下公式计算所述声音特征图和所述生成声音特征图之间的差分特征图;其中,所述公式为:
在上述用于斗轮机的运行状态监控方法中,所述对所述差分特征图进行特征值区分度增强以得到增强差分特征图,包括:用如下公式对所述差分特征图进行特征值区分度增强以得到增强差分特征图;其中,所述公式为:
在上述用于斗轮机的运行状态监控方法中,所述将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常,包括:将所述增强差分特征图按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种用于斗轮机的运行状态监控系统,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;
特征提取模块,用于将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;
高斯增强模块,用于基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;
对抗生成模块,用于将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;
孪生检测模块,用于将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;
差分计算模块,用于计算所述声音特征图和所述生成声音特征图之间的差分特征图;
区分度增强模块,用于对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及
斗轮机的运行状态生成模块,用于将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
在上述用于斗轮机的运行状态监控系统中,所述特征提取模块,用于:使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用一维卷积核的第一卷积神经网络模型的最后一层的输出为所述运行功率特征向量,所述使用一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行功率输入向量。
与现有技术相比,本申请提供的用于斗轮机的运行状态监控系统及其方法,其获取预定时间段内多个预定时间点的斗轮机的运行功率值,以及,所述预定时间段的声音探测信号;采用基于深度学习的人工智能检测技术,以斗轮机的运行功率特征和其在运行时的声音特征之间的差异表示因非运行功率因素而引起的声音特征响应,并基于差异对斗轮机的运行状态是否正常进行分类判断。这样,可以对斗轮机的运行状态进行实时监控,以避免事故的发生。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于斗轮机的运行状态监控方法的场景示意图。
图2为根据本申请实施例的用于斗轮机的运行状态监控方法的流程图。
图3为根据本申请实施例的用于斗轮机的运行状态监控方法的架构示意图。
图4为根据本申请实施例的用于斗轮机的运行状态监控方法中步骤S130的子步骤的流程图。
图5为根据本申请实施例的用于斗轮机的运行状态监控方法中步骤S180的子步骤的流程图。
图6为根据本申请实施例的用于斗轮机的运行状态监控系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
相应地,在本申请的技术方案中,可通过对所述斗轮机在运行时的声音进行监测,以基于斗轮机在运行时的声效特征来判断所述斗轮机的运行状态是否正常。这本质上可以转化为分类问题,也就是,以适当方式对所采集的声音信号进行声音特征提取,并使用分类器对所提取到的声音特征进行分类以得到用于表示斗轮机的运行状态是否正常的分类结果。
在具体测试中发现如果仅凭借声音特征来进行分类判断,发现分类判断的精准度不高,常会出现误判或者错判的情况。究其原因发现:斗轮机在运行时的声音特征与其运动功率值有关,如果忽略运行功率,而仅关注于声音特征本身,会造成诸多误判和漏判。基于此,在本申请的技术方案中,结合斗轮机的运行功率特征和其在运行时的声音特征来进行斗轮机的运行状态是否正常的分类判断。
具体地,首先获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号。也就是,通过功率监测仪和声音传感器来采集所述多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号。
接着,将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量。也就是,首先将所述斗轮机的运行功率值的时序离散分布构造为所述斗轮机的运行功率值的时序向量,接着,使用一维卷积神经网络模型对所述运行功率输入向量进行一维卷积编码以捕捉所述运行功率输入向量中局部时间窗口内运行功率值之间的关联的高维隐含特征表示。
这里,考虑到所述运行功率特征向量从所述斗轮机的运行功率值的时序离散分布中得到,但因所述斗轮机的运行功率值的时序离散分布的数量相对较为稀疏,因此所述运行功率特征向量的特征表达的确定性相对较差。基于此,在本申请的技术方案中,基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵。本领域普通技术人员应知晓,高斯密度图是深度学习的常见学习目标,也就是,如果数据量足够大和充分,所述运行功率特征向量的特征分布会呈现高斯分布的特性和规律,基于此,在本申请的技术方案中,基于高斯密度图对所述运行功率特征向量进行特征级数据增强。
具体地,首先构造所述运行功率特征向量的自高斯密度图,其中,所述自高斯密度图的均值向量为所述运行功率特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述运行功率特征向量中相应两个位置的特征值之间的方差。接着,对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述运行功率特征矩阵。
在得到所述运行功率特征矩阵后,将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号。也就是,基于对抗生成思想来生成所述运行功率特征矩阵对应的理想声音波信号。在本申请的技术方案中,所述对抗生成网络包括生成器和鉴别器,所述生成器用于对所述运行功率特征矩阵进行特征解码以得到生成声音波信号,所述鉴别器用于度量所述生成声音波信号和真实的声音波信号之间的鉴别器损失函数值,并通过所述鉴别器损失函数值对所述生成器进行基于梯度下降的参数更新以使得训练完成的所述生成器所生成的生成声音波信号能够与真实的声音波信号相逼近。
接着,将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。例如,在本申请的一个具体的示例中,所述第一图像编码器和所述第二图像编码器基于作为特征提取器的卷积神经网络模型来构建。接着,计算所述声音特征图和所述生成声音特征图之间的差分特征图。应可以理解,在本申请的技术方案中,因所述第一图像编码器和所述第二图像编码器具有相同的网络结构,因此,所述声音探测信号和所述生成声音波信号在信号端所呈现的差异会在所述差分特征图中得以体现和强化。
特别地,在本申请的技术方案中,所述声音探测信号为真实的声音探测信号,所述生成声音波信号为理想生成声音波信号,因此,所述差分特征图用于表示因非运行功率因素而引起的声音特征响应。接着,将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。也就是,使用所述分类器来确定所述差分特征图所属的类概率标签,以对所述斗轮机的运行状态是否正常进行分类判断。
特别地,在本申请的技术方案中,由于所述差分特征图是计算所述声音特征图和所述生成声音特征图之间的按位置差分得到的,因此所述差分特征图的各个特征值在其空间位置上表示所述声音特征图和所述生成声音特征图相应特征值之间的差异,这样,就导致所述差分特征图在空间位置上的某些特征值比其它特征值具有更显著的重要性,由此,如果在分类时能够对于所述差分特征图的特征值进行有效区分,显然能够提高分类器的训练速度和分类结果的准确性。
因此,本申请的申请人对所述差分特征图,例如记为F进行基于可区分性物理激励的交互强化,表示为:
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述差分特征图F内的活跃部分,以提升分类器的训练速度和训练后的分类特征的分类结果的准确性。
基于此,本申请提供了一种用于斗轮机的运行状态监控方法,其包括:获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;计算所述声音特征图和所述生成声音特征图之间的差分特征图;对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及,将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
图1为根据本申请实施例的用于斗轮机的运行状态监控方法的场景示意图。如图1所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的斗轮机的运行功率值(例如,如图1中所示意的C1)以及所述预定时间段的声音探测信号(例如,如图1中所示意的C2);然后,将获取的运行功率值和声音探测信号输入至部署有用于斗轮机的运行状态监控算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于用于斗轮机的运行状态监控算法对所述运行功率值和所述声音探测信号进行处理,以生成用于表示斗轮机的运行状态是否正常的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的用于斗轮机的运行状态监控方法的流程图。如图2所示,根据本申请实施例的用于斗轮机的运行状态监控方法,包括步骤:S110,获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;S120,将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;S130,基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;S140,将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;S150,将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;S160,计算所述声音特征图和所述生成声音特征图之间的差分特征图;S170,对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及,S180,将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
图3为根据本申请实施例的用于斗轮机的运行状态监控方法的架构示意图。如图3所示,在该网络架构中,首先,获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;然后,将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;接着,基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;然后,将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;接着,将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;然后,计算所述声音特征图和所述生成声音特征图之间的差分特征图;接着,对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及,最后,将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
具体地,在步骤S110中,获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号。相应地,在本申请的技术方案中,可通过对所述斗轮机在运行时的声音进行监测,以基于斗轮机在运行时的声效特征来判断所述斗轮机的运行状态是否正常。这本质上可以转化为分类问题,也就是,以适当方式对所采集的声音信号进行声音特征提取,并使用分类器对所提取到的声音特征进行分类以得到用于表示斗轮机的运行状态是否正常的分类结果。
在具体测试中发现如果仅凭借声音特征来进行分类判断,发现分类判断的精准度不高,常会出现误判或者错判的情况。究其原因发现:斗轮机在运行时的声音特征与其运动功率值有关,如果忽略运行功率,而仅关注于声音特征本身,会造成诸多误判和漏判。基于此,在本申请的技术方案中,结合斗轮机的运行功率特征和其在运行时的声音特征来进行斗轮机的运行状态是否正常的分类判断。
具体地,首先获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号。也就是,通过功率监测仪和声音传感器来采集所述多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号。
具体地,在步骤S120中,将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量。
接着,将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量。也就是,首先将所述斗轮机的运行功率值的时序离散分布构造为所述斗轮机的运行功率值的时序向量,接着,使用一维卷积神经网络模型对所述运行功率输入向量进行一维卷积编码以捕捉所述运行功率输入向量中局部时间窗口内运行功率值之间的关联的高维隐含特征表示。
其中,所述将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量,包括:使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用一维卷积核的第一卷积神经网络模型的最后一层的输出为所述运行功率特征向量,所述使用一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行功率输入向量。
具体地,在步骤S130中,基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵。这里,考虑到所述运行功率特征向量从所述斗轮机的运行功率值的时序离散分布中得到,但因所述斗轮机的运行功率值的时序离散分布的数量相对较为稀疏,因此所述运行功率特征向量的特征表达的确定性相对较差。
基于此,在本申请的技术方案中,基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵。本领域普通技术人员应知晓,高斯密度图是深度学习的常见学习目标,也就是,如果数据量足够大和充分,所述运行功率特征向量的特征分布会呈现高斯分布的特性和规律,基于此,在本申请的技术方案中,基于高斯密度图对所述运行功率特征向量进行特征级数据增强。
具体地,首先构造所述运行功率特征向量的自高斯密度图,其中,所述自高斯密度图的均值向量为所述运行功率特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述运行功率特征向量中相应两个位置的特征值之间的方差。接着,对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述运行功率特征矩阵。
在本申请中,图4为根据本申请实施例的用于斗轮机的运行状态监控方法中步骤S130的子步骤的流程图,如图4所示,所述基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵,包括:S210,构造所述运行功率特征向量的自高斯密度图,其中,所述自高斯密度图的均值向量为所述运行功率特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述运行功率特征向量中相应两个位置的特征值之间的方差;以及,S220,对所述自高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述运行功率特征矩阵。
具体地,在步骤S140中,将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号。在得到所述运行功率特征矩阵后,将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号。也就是,基于对抗生成思想来生成所述运行功率特征矩阵对应的理想声音波信号。
在本申请的技术方案中,所述对抗生成网络包括生成器和鉴别器,所述生成器用于对所述运行功率特征矩阵进行特征解码以得到生成声音波信号,所述鉴别器用于度量所述生成声音波信号和真实的声音波信号之间的鉴别器损失函数值,并通过所述鉴别器损失函数值对所述生成器进行基于梯度下降的参数更新以使得训练完成的所述生成器所生成的生成声音波信号能够与真实的声音波信号相逼近。
在本申请一具体示例中,所述对抗生成网络包括生成器和鉴别器,所述生成器包括多个反卷积层。
具体地,在步骤S150中,将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图。接着,将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
例如,在本申请的一个具体的示例中,所述第一图像编码器和所述第二图像编码器基于作为特征提取器的卷积神经网络模型来构建。接着,计算所述声音特征图和所述生成声音特征图之间的差分特征图。应可以理解,在本申请的技术方案中,因所述第一图像编码器和所述第二图像编码器具有相同的网络结构,因此,所述声音探测信号和所述生成声音波信号在信号端所呈现的差异会在所述差分特征图中得以体现和强化。
其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构,所述第一图像编码器和所述第二图像编码器基于作为特征提取器的卷积神经网络模型来构建。
具体地,在步骤S160中,计算所述声音特征图和所述生成声音特征图之间的差分特征图。特别地,在本申请的技术方案中,所述声音探测信号为真实的声音探测信号,所述生成声音波信号为理想生成声音波信号,因此,所述差分特征图用于表示因非运行功率因素而引起的声音特征响应。
其中,所述计算所述声音特征图和所述生成声音特征图之间的差分特征图,包括:使用以下公式计算所述声音特征图和所述生成声音特征图之间的差分特征图;其中,所述公式为:
具体地,在步骤S170中,对所述差分特征图进行特征值区分度增强以得到增强差分特征图。特别地,在本申请的技术方案中,由于所述差分特征图是计算所述声音特征图和所述生成声音特征图之间的按位置差分得到的,因此所述差分特征图的各个特征值在其空间位置上表示所述声音特征图和所述生成声音特征图相应特征值之间的差异,这样,就导致所述差分特征图在空间位置上的某些特征值比其它特征值具有更显著的重要性,由此,如果在分类时能够对于所述差分特征图的特征值进行有效区分,显然能够提高分类器的训练速度和分类结果的准确性。
因此,本申请的申请人对所述差分特征图,例如记为F进行基于可区分性物理激励的交互强化,也就是,所述对所述差分特征图进行特征值区分度增强以得到增强差分特征图,包括:用如下公式对所述差分特征图进行特征值区分度增强以得到增强差分特征图;其中,所述公式为:
具体地,在步骤S180中,将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。也就是,使用所述分类器来确定所述差分特征图所属的类概率标签,以对所述斗轮机的运行状态是否正常进行分类判断。
图5为根据本申请实施例的用于斗轮机的运行状态监控方法中步骤S180的子步骤的流程图,如图5所示,所述将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常,包括:S310,将所述增强差分特征图按照行向量或列向量展开为分类特征向量;S320,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S330,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中,使用所述分类器以如下公式对所述增强差分特征图进行处理以得到所述分类结果;其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,Project(F)为将所述增强差分特征图投影为向量。
综上,基于本申请实施例的用于斗轮机的运行状态监控方法,其获取预定时间段内多个预定时间点的斗轮机的运行功率值,以及,所述预定时间段的声音探测信号;采用基于深度学习的人工智能检测技术,以斗轮机的运行功率特征和其在运行时的声音特征之间的差异表示因非运行功率因素而引起的声音特征响应,并基于差异对斗轮机的运行状态是否正常进行分类判断。这样,可以对斗轮机的运行状态进行实时监控,以避免事故的发生。
示例性系统
图6为根据本申请实施例的用于斗轮机的运行状态监控系统的框图。如图6所示,根据本申请实施例的用于斗轮机的运行状态监控系统100,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;特征提取模块120,用于将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;高斯增强模块130,用于基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;对抗生成模块140,用于将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;孪生检测模块150,用于将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;差分计算模块160,用于计算所述声音特征图和所述生成声音特征图之间的差分特征图;区分度增强模块170,用于对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及,斗轮机的运行状态生成模块180,用于将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述特征提取模块,用于:使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用一维卷积核的第一卷积神经网络模型的最后一层的输出为所述运行功率特征向量,所述使用一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行功率输入向量。
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述高斯增强模块,包括:自高斯密度图构造单元,用于构造所述运行功率特征向量的自高斯密度图,其中,所述自高斯密度图的均值向量为所述运行功率特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述运行功率特征向量中相应两个位置的特征值之间的方差;以及,高斯离散化单元,用于对所述自高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述运行功率特征矩阵。
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述对抗生成网络包括生成器和鉴别器,所述生成器包括多个反卷积层。
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构,所述第一图像编码器和所述第二图像编码器基于作为特征提取器的卷积神经网络模型来构建。
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述差分计算模块,用于:使用以下公式计算所述声音特征图和所述生成声音特征图之间的差分特征图;其中,所述公式为:
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述区分度增强模块,用于:用如下公式对所述差分特征图进行特征值区分度增强以得到增强差分特征图;其中,所述公式为:
在一个示例中,在上述用于斗轮机的运行状态监控系统100中,所述斗轮机的运行状态生成模块,包括:特征图展开单元,用于将所述增强差分特征图按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述用于斗轮机的运行状态监控系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的用于斗轮机的运行状态监控方法的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于斗轮机的运行状态监控方法,其特征在于,包括:
获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;
将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;
基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;
将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;
将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;
计算所述声音特征图和所述生成声音特征图之间的差分特征图;
对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及
将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
2.根据权利要求1所述的用于斗轮机的运行状态监控方法,其特征在于,所述将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量,包括:使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述使用一维卷积核的第一卷积神经网络模型的最后一层的输出为所述运行功率特征向量,所述使用一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行功率输入向量。
3.根据权利要求2所述的用于斗轮机的运行状态监控方法,其特征在于,所述基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵,包括:
构造所述运行功率特征向量的自高斯密度图,其中,所述自高斯密度图的均值向量为所述运行功率特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述运行功率特征向量中相应两个位置的特征值之间的方差;以及
对所述自高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述运行功率特征矩阵。
4.根据权利要求3所述的用于斗轮机的运行状态监控方法,其特征在于,所述对抗生成网络包括生成器和鉴别器,所述生成器包括多个反卷积层。
5.根据权利要求4所述的用于斗轮机的运行状态监控方法,其特征在于,所述第一图像编码器和所述第二图像编码器具有相同的网络结构,所述第一图像编码器和所述第二图像编码器基于作为特征提取器的卷积神经网络模型来构建。
8.根据权利要求7所述的用于斗轮机的运行状态监控方法,其特征在于,所述将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常,包括:
将所述增强差分特征图按照行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种用于斗轮机的运行状态监控系统,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的斗轮机的运行功率值以及所述预定时间段的声音探测信号;
特征提取模块,用于将所述多个预定时间点的斗轮机的运行功率值按照时间维度排列为运行功率输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到运行功率特征向量;
高斯增强模块,用于基于高斯密度图对所述运行功率特征向量进行特征级数据增强以得到运行功率特征矩阵;
对抗生成模块,用于将所述运行功率特征矩阵通过基于对抗生成网络的声音模拟生成器以得到生成声音波信号;
孪生检测模块,用于将所述声音探测信号和所述生成声音波信号通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到声音特征图和生成声音特征图;
差分计算模块,用于计算所述声音特征图和所述生成声音特征图之间的差分特征图;
区分度增强模块,用于对所述差分特征图进行特征值区分度增强以得到增强差分特征图;以及
斗轮机的运行状态生成模块,用于将所述增强差分特征图通过分类器以得到分类结果,所述分类结果用于表示斗轮机的运行状态是否正常。
10.根据权利要求9所述的用于斗轮机的运行状态监控系统,其特征在于,所述特征提取模块,用于:使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述使用一维卷积核的第一卷积神经网络模型的最后一层的输出为所述运行功率特征向量,所述使用一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行功率输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310210198.5A CN116374645A (zh) | 2023-03-07 | 2023-03-07 | 用于斗轮机的运行状态监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310210198.5A CN116374645A (zh) | 2023-03-07 | 2023-03-07 | 用于斗轮机的运行状态监控系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116374645A true CN116374645A (zh) | 2023-07-04 |
Family
ID=86972170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310210198.5A Pending CN116374645A (zh) | 2023-03-07 | 2023-03-07 | 用于斗轮机的运行状态监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116374645A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912744A (zh) * | 2023-07-20 | 2023-10-20 | 湘南学院 | 基于物联网的智能监控系统及其方法 |
CN117622809A (zh) * | 2024-01-25 | 2024-03-01 | 太仓武港码头有限公司 | 一种斗轮机运行ai监护方法和服务器 |
-
2023
- 2023-03-07 CN CN202310210198.5A patent/CN116374645A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912744A (zh) * | 2023-07-20 | 2023-10-20 | 湘南学院 | 基于物联网的智能监控系统及其方法 |
CN117622809A (zh) * | 2024-01-25 | 2024-03-01 | 太仓武港码头有限公司 | 一种斗轮机运行ai监护方法和服务器 |
CN117622809B (zh) * | 2024-01-25 | 2024-03-29 | 太仓武港码头有限公司 | 一种斗轮机运行ai监护方法和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116374645A (zh) | 用于斗轮机的运行状态监控系统及其方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
CN112989710A (zh) | 工控传感器数值异常检测方法及装置 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
Charbonnier et al. | A weighted dissimilarity index to isolate faults during alarm floods | |
CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
CN115859437A (zh) | 基于分布式光纤传感系统的导管架水下应力检测系统 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN116520799A (zh) | 基于时空变分图注意力自编码器的复杂工业过程故障检测方法 | |
Zhang et al. | Selecting optimal features for cross-fleet analysis and fault diagnosis of industrial gas turbines | |
Liu et al. | Data-driven root-cause analysis for distributed system anomalies | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
CN115046766A (zh) | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 | |
KR102132077B1 (ko) | 설비 데이터의 이상 정도 평가 방법 | |
CN113722140A (zh) | 基于小样本学习的工业报警泛滥根源诊断方法及存储介质 | |
KR101955091B1 (ko) | 이상 신호 복원 시스템 및 방법 | |
CN116223075B (zh) | 用于轨道交通车辆的振动稳定性检测系统及方法 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
CN117176433A (zh) | 网络数据的异常行为检测系统及方法 | |
US11144046B2 (en) | Fault signal recovery apparatus and method | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 | |
CN114863210A (zh) | 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统 |
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 |