CN116738376A - 一种基于振动或磁场唤醒的信号采集识别方法及系统 - Google Patents
一种基于振动或磁场唤醒的信号采集识别方法及系统 Download PDFInfo
- Publication number
- CN116738376A CN116738376A CN202310830617.5A CN202310830617A CN116738376A CN 116738376 A CN116738376 A CN 116738376A CN 202310830617 A CN202310830617 A CN 202310830617A CN 116738376 A CN116738376 A CN 116738376A
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- voltage
- signal
- magnetic field
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000007726 management method Methods 0.000 claims description 43
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 230000033228 biological regulation Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 241000255588 Tephritidae Species 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 description 31
- 230000006835 compression Effects 0.000 description 31
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于振动或磁场唤醒的信号采集识别方法及系统，该方法包括以下步骤：实时监测电子设备的磁场变化及振动情况，并在超过预设阈值时启动信号采集设备；为采集模块提供对应的供电电压；利用补偿算法对采集的电压数据进行延时补偿；将补偿后的电压数据发送至设备管理终端；补偿后的电压数据进行分析计算；利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析识别。本发明通过对电子设备的磁场变化和振动情况进行实时监测，利用结合特征要求的电压推荐算法、补偿算法、快速傅里叶变换法和量子神经网络模型等先进技术来实现对异常电子设备的高效、准确识别，可以更好地满足于企业的使用需求。
Description
技术领域
本发明涉及信号采集技术领域，具体来说，涉及一种基于振动或磁场唤醒的信号采集识别方法及系统。
背景技术
信号采集仪是一种非常重要的仪器设备，它可以将各种物理量的信号通过一系列的处理，转换为数字信号并记录下来。这些物理量包括温度、压力、力量、振动、电压、电流等等，涉及到各个行业的监测、检测和诊断。信号采集仪广泛应用于机械加工、电力、冶金、石化、建筑工程、采矿等行业。
例如在机械加工行业中，信号采集仪可以监测机床的温度、振动和加工力，以及零件的尺寸和形状等参数，从而保证产品的质量和稳定性。在电力行业，信号采集仪可以用于监测电力设备的电压、电流和功率等参数，以确保其正常运行和安全运行。在建筑工程中，信号采集仪可以用于监测结构的变形和振动，以及地基的沉降情况，从而及时发现问题并采取措施。总之，信号采集仪在各个行业都扮演着非常重要的角色，随着传感器技术的发展，数字信号采集仪将会越来越受到重视和应用。
随着工业智能化的不断推进，实时监测和识别电子设备的工作状态已经成为工业场景中不可或缺的一部分。这种实时监测和识别可以帮助企业轻松识别设备的运行状态，及时发现设备运行中出现的异常情况，避免因为设备故障而引发的生产中断和安全事故。因此，本发明提出了一种基于振动或磁场唤醒的信号采集识别方法。
发明内容
针对相关技术中的问题，本发明提出一种基于振动或磁场唤醒的信号采集识别方法及系统，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：
根据本发明的一个方面，提供了一种基于振动或磁场唤醒的信号采集识别方法，该方法包括以下步骤：
S1、实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备；
S2、利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压；
S3、通过采集模块获取电子设备的电压数据，并利用补偿算法对采集的电压数据进行延时补偿；
S4、利用无线传输技术将补偿后的电压数据发送至设备管理终端；
S5、设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号；
S6、设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别。
作为优选地，所述实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备包括以下步骤：
S11、分别利用霍尔开关单元及低功耗振动传感单元实时监测电子设备的磁场变化及振动情况；
S12、当检测的磁场信号达到预设的磁场阈值或振动信号达到预设的振动阈值时启动信号采集设备。
作为优选地，所述利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压包括以下步骤：
S21、获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据，并构建基于果蝇算法优化的随机森林的电压推荐模型；
S22、利用基于果蝇算法优化的随机森林的电压推荐模型根据采集模块的应用场景及功耗需求输出与之相对应的推荐供电电压；
S23、处理器根据推荐的供电电压调节采集模块的电压需求，并在电压稳定后为采集模块提供与推荐的供电电压相对应的供电电压。
作为优选地，所述获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据，并构建基于果蝇算法优化的随机森林的电压推荐模型包括以下步骤：
S211、获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据；
S212、提取与采集模块性能相关的特征数据并进行预处理，同时将预处理后数据分为训练数据集和测试数据集；
S213、定义果蝇优化算法的参数，并对参数的范围进行初始化处理；
S214、将训练样本输入随机森林回归模型，并根据适应度函数计算果蝇个体的适应度值，寻找个体最优和全局最优的果蝇个体的位置和最优适应度值；
S215、更新果蝇群体的位置和速度，并计算适应度值大小更新果蝇个体的位置和速度；
S216、判断迭代次数是否大于定义参数中的预设最大迭代次数，若是，则保存最优解，若否，则迭代次数加一并返回至S215；
S217、输出随机森林回归模型的最优参数，并基于最优参数构建基于果蝇算法优化的随机森林的电压推荐模型。
作为优选地，所述适应度函数的计算公式如下：
式中，Min Fit表示适应度值，Ntree表示森林中树的数量，Mtry表示候选特征子集，Nodesize表示叶节点的样本数，Yi表示第i样本点电压实际值，Xi表示第i样本电压预测值，m表示样本总数。
作为优选地，所述利用无线传输技术将补偿后的电压数据发送至设备管理终端包括以下步骤：
S41、利用数据压缩技术对补偿后的电压数据进行压缩处理，得到压缩数据；
S42、信号采集设备利用无线传输技术将压缩数据发送至设备管理终端。
作为优选地，所述设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号包括以下步骤：
S51、设备管理终端接收补偿后的电压信号并进行预处理；
S52、利用快速傅里叶变换法将预处理后的电压信号从时域转换为频域，得到频谱数据；
S53、分析频谱数据确定振弦信号和振动信号在频域上的特征；
S54、根据频谱分析的结果识别出振弦信号的频率成分和振幅信息，得到振弦信号；
S55、根据频谱分析的结果识别出振动信号的频率成分和振幅信息，得到振动信号。
作为优选地，所述设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别包括以下步骤：
S61、设备管理终端接收压缩数据，并进行解压得到电子设备的振弦信号及振动信号；
S62、利用预先构建的量子神经网络模型对解压后的振弦信号和振动信号进行识别，判断电子设备的工作状态是否异常，并在异常时发出警报。
作为优选地，所述量子神经网络模型的构建包括以下步骤：
获取历史数据库中电子设备的振弦信号及振动信号数据，并将其转换为数字信号进行记录；
对转换后的数字信号进行预处理，并从预处理后的数字信号中提取频域特征、时域特征及时频特征信息；
对转换后的数字信号进行标注，并将标注数字信号与电子设备的工作状态进行关联；
将标注后的数据划分为训练集和测试集，并利用训练集及测试集对构建的量子神经网络模型进行训练和测试，得到训练后的量子神经网络模型。
根据本发明的另一个方面，提供了一种基于振动或磁场唤醒的信号采集识别系统，该系统包括信号采集终端和设备管理终端，所述信号采集终端由若干信号采集设备构成；
其中，所述信号采集设备包括壳体和位于壳体内部的控制系统构成，所述控制系统包括监测模块、电压调节供电模块、电压数据采集模块及数据传输模块；
所述监测模块，用于实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备；
所述电压调节供电模块，用于利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压；
所述电压数据采集模块，用于通过采集模块获取电子设备的电压数据，并利用补偿算法对采集的电压数据进行延时补偿；
所述数据传输模块，用于利用无线传输技术将补偿后的电压数据发送至设备管理终端；
所述设备管理终端包括电压数据分析计算模块及电子设备状态识别模块；
所述电压数据分析计算模块，用于设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号；
所述电子设备状态识别模块，用于设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别。
本发明的有益效果为：
1)通过对电子设备的磁场变化和振动情况进行实时监测，并在监测数据达到预设阈值时启动信号采集设备进行数据采集，从而可以在提高信号采集实时性的同时有效的降低设备的能耗，此外，本发明还可以结合特征要求的电压推荐算法、补偿算法、快速傅里叶变换法和量子神经网络模型等先进技术来实现对异常电子设备的高效、准确识别，从而可以更好地满足于企业的使用需求。
2)相比于传统的固定式电压供电方式，本发明可以通过利用基于果蝇算法优化的随机森林的电压推荐模型为采集模块提供适宜的供电电压，从而可以根据采集设备的应用场景要求(即灵敏度要求)及功耗要求来为其精确的推荐最佳的供电电压，保证其正常运行和最佳性能，有效地降低设备的能耗，更好地满足于企业能源效率的要求。
3)本发明不仅可以利用延时补偿算法对采集的电压数据进行延时补偿，从而有效地提高采集数据的精确性和可靠性，而且还可以利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析识别，从而能够更加精确的实现对电子设备的异常识别，更好地满足于企业的使用需求。
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振动或磁场唤醒的信号采集识别方法的流程图。
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，提供了一种基于振动或磁场唤醒的信号采集识别方法及系统。
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，根据本发明的一个实施例，提供了一种基于振动或磁场唤醒的信号采集识别方法，该方法包括以下步骤：
S1、实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备；
其中，所述实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备包括以下步骤：
S11、分别利用霍尔开关单元及低功耗振动传感单元实时监测电子设备的磁场变化及振动情况；
S12、当检测的磁场信号达到预设的磁场阈值或振动信号达到预设的振动阈值时启动信号采集设备。
此外，本实施例中对于信号采集设备的启动还可以通过定时启动，即通过预先设定的时间间隔定时启动信号采集设备进行工作。同时，对于本实施例中的信号采集设备而言，其可以利用太阳能进行充电。
S2、利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压；
由于不同采集模块在工作时其所需的供电电压并不相同，因此，需要根据采集模块的采集需求对其供电电压进行调节，采集的需求包括以下几点：
灵敏度要求：不同应用场景对传感器的灵敏度有不同的要求。通过调节供电电压，可以改变传感器的工作范围和灵敏度，使其适应特定的测量需求。较高的供电电压可以提高传感器的灵敏度，使其能够检测到较小的变化或细微的信号。
功耗控制要求：传感器的供电电压可以影响其功耗水平。在一些低功耗应用或需要节能的场景下，调节供电电压可以控制传感器的功耗，以满足能源效率的要求。
此外，本实施例的采集要求还可以包括：
测量范围扩展要求：传感器的测量范围通常受限于其供电电压。通过调节供电电压，可以扩展传感器的测量范围，使其能够准确测量更大或更小的输入信号。
传感器的非线性补偿要求：某些传感器在特定供电电压下可能会出现非线性响应或偏差。通过调节供电电压，可以进行非线性补偿，以提高传感器的线性性能和准确性。
噪声抑制要求：传感器的输出信号可能受到环境噪声的干扰。通过调节供电电压，可以改变传感器的工作点或增加信噪比，以减少噪声对测量结果的影响。
需要注意的是，在调节电压时，应遵循传感器制造商提供的指导和建议，以确保传感器在安全范围内正常工作，并获得准确的测量结果。同时，应对供电电压的变化对传感器性能的影响进行充分测试和验证。
其中，所述利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压包括以下步骤：
S21、获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据，并构建基于果蝇算法优化的随机森林的电压推荐模型；
具体的，所述获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据，并构建基于果蝇算法优化的随机森林的电压推荐模型包括以下步骤：
S211、获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据；
S212、提取与采集模块性能相关的特征数据(可以包括传感器规格中的参数、输入信号的特征以及其他相关特征)并进行预处理，同时将预处理后数据分为训练数据集和测试数据集；
S213、定义果蝇优化算法的参数，并对参数的范围进行初始化处理；
S214、将训练样本输入随机森林回归模型，并根据适应度函数计算果蝇个体的适应度值，寻找个体最优和全局最优的果蝇个体的位置和最优适应度值；
所述适应度函数的计算公式如下：
式中，Min Fit表示适应度值，Ntree表示森林中树的数量，Mtry表示候选特征子集，Nodesize表示叶节点的样本数，Yi表示第i样本点电压实际值，Xi表示第i样本电压预测值，m表示样本总数。
S215、更新果蝇群体的位置和速度，并计算适应度值大小更新果蝇个体的位置和速度；
S216、判断迭代次数是否大于定义参数中的预设最大迭代次数，若是，则保存最优解，若否，则迭代次数加一并返回至S215；
S217、输出随机森林回归模型的最优参数，并基于最优参数构建基于果蝇算法优化的随机森林的电压推荐模型。
S22、利用基于果蝇算法优化的随机森林的电压推荐模型根据采集模块的应用场景及功耗需求输出与之相对应的推荐供电电压；
S23、处理器根据推荐的供电电压调节采集模块的电压需求，并在电压稳定后为采集模块提供与推荐的供电电压相对应的供电电压。
S3、通过采集模块获取电子设备的电压数据，并利用补偿算法对采集的电压数据进行延时补偿；
具体的，延时补偿法是一种用于处理传感器采集的信号中的延迟现象的算法，本实施中利用补偿算法对采集的电压数据进行延时补偿包括以下步骤：
S31、采集信号：使用传感器或测量设备采集所需信号。其可以是任何类型的传感器输出信号，如电压、电流、温度、压力等。
S32、确定延迟时间：通过实验或校准，确定传感器信号的延迟时间。延迟时间是从信号输入到信号输出之间的时间差。
S33、确定补偿策略：根据延迟时间，确定合适的补偿策略。常见的补偿策略包括延时补偿和预测补偿。
延时补偿：延时补偿是将采集的信号整体延迟一定的时间，使其与实际的信号变化更加对齐。可以通过向信号添加延时来实现，或者使用延时滤波器对信号进行处理。
预测补偿：预测补偿是基于先前的信号观测值，利用模型或算法预测当前时刻的信号值。通过预测当前时刻的信号，可以弥补信号延迟带来的问题。
S34、实施延时补偿：根据所选的补偿策略，对采集的信号进行延时补偿。其可以通过数字信号处理算法或实时控制系统来实现。
S35、信号分析和应用：对补偿后的信号进行分析和应用。其可以包括进一步的信号处理、特征提取、故障诊断、控制反馈等。
需要注意的是，延时补偿法的具体实施方法可能因传感器类型、信号特性和应用领域的不同而有所差异。在实际应用中，建议结合具体情况，根据传感器的延迟特性和应用需求，选择合适的延时补偿策略和技术进行信号处理。
S4、利用无线传输技术将补偿后的电压数据发送至设备管理终端；
其中，所述利用无线传输技术将补偿后的电压数据发送至设备管理终端包括以下步骤：
S41、利用数据压缩技术对补偿后的电压数据进行压缩处理，得到压缩数据；
具体的，数据压缩是指通过各种算法和技术来减小数据的存储空间或传输带宽。以下是一些常见的数据压缩方法：
无损压缩(Lossless Compression)：这种压缩方法能够还原原始数据，不会丢失任何信息。常见的无损压缩方法包括：霍夫曼编码(Huffman Coding)、预测编码(Predictive Coding)、字典压缩(Dictionary Compression)，如Lempel-Ziv-Welch(LZW)算法及压缩算法组合(Combination of Compression Algorithms)，如gzip、zip等。
有损压缩(Lossy Compression)：这种压缩方法会丢失一部分数据的精确性，但可以获得更高的压缩比。适用于某些类型的数据，如图像、音频和视频等。常见的有损压缩方法包括：离散余弦变换(Discrete Cosine Transform，DCT)，用于图像和音频压缩，如JPEG、MP3等；小波变换(Wavelet Transform)，用于图像和音频压缩，如JPEG2000等；运动补偿(Motion Compensation)，用于视频压缩，如MPEG系列等。
字典压缩(Dictionary Compression)：通过构建字典来替代数据中的重复项，从而实现压缩。常见的字典压缩方法包括：Lempel-Ziv-Welch(LZW)算法，用于无损压缩，如GIF格式；Lempel-Ziv-Markov链算法(LZ77/LZ78)，用于无损压缩，如Deflate算法。
压缩算法组合(Combination of Compression Algorithms)：结合多种压缩算法来提高压缩效率和压缩比。常见的压缩算法组合方法包括：gzip：结合了Lempel-Ziv(LZ77)压缩算法和霍夫曼编码；zip：结合了多种压缩算法，包括LZ77、LZW和霍夫曼编码等。
本实施例中可以根据不同的数据类型和应用场景选择合适的压缩方法，以达到减小数据存储空间和传输带宽的目的。
S42、信号采集设备利用无线传输技术将压缩数据发送至设备管理终端。
S5、设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号；
其中，所述设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号包括以下步骤：
S51、设备管理终端接收补偿后的电压信号并进行预处理，包括滤波、去噪、放大或降采样等步骤，以减少噪音和提取感兴趣的频率范围；
S52、利用快速傅里叶变换法(FFT)将预处理后的电压信号从时域转换为频域，得到频谱数据；FFT是一种快速计算离散傅里叶变换的算法，可以将时域信号转换为频域信号。
S53、分析频谱数据确定振弦信号和振动信号在频域上的特征，频谱分析可以提取信号在不同频率上的成分和能量分布情况；
S54、根据频谱分析的结果识别出振弦信号的频率成分和振幅信息，得到振弦信号，振弦信号一般表现为频率集中在某个特定频率上的周期性信号；
S55、根据频谱分析的结果识别出振动信号的频率成分和振幅信息，得到振动信号，振动信号一般表现为频率分布在较宽频率范围上的随机或非周期性信号。
S6、设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别。
其中，所述设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别包括以下步骤：
S61、设备管理终端接收压缩数据，并进行解压得到电子设备的振弦信号及振动信号；
S62、利用预先构建的量子神经网络模型对解压后的振弦信号和振动信号进行识别，判断电子设备的工作状态是否异常，并在异常时发出警报。
量子神经网络(Quantum Neural Network)是一种基于量子计算的神经网络模型，它结合了经典神经网络的思想和量子计算的优势。与传统的神经网络不同，量子神经网络利用量子比特(qubit)来表示和处理信息，充分利用量子叠加和量子纠缠等特性来进行计算。以下是量子神经网络模型的一般步骤：
量子比特表示：选择合适的量子比特作为神经网络的基本单元。通常，量子比特可以通过量子门操作来进行初始化和操作。
量子神经层构建：将量子比特组织成多个量子神经层，类似于经典神经网络的层次结构。每个量子神经层包含一些量子门操作，用于对量子比特的状态进行变换和演化。
量子神经元设计：定义适当的量子神经元，将量子比特与经典神经元相结合。这些量子神经元可以包含一系列的量子门操作，用于将输入的量子比特转换为输出。
训练和优化：使用量子神经网络进行训练和优化，以适应特定的任务。这涉及到定义损失函数，选择优化算法，并进行参数调整，以最小化损失函数并提高网络性能。
量子计算模拟或实验：在理论上，可以使用量子计算模拟器对量子神经网络进行仿真和验证。在实际情况下，可以通过量子计算设备进行实验，以验证量子神经网络的性能和有效性。
具体的，所述量子神经网络模型的构建包括以下步骤：
获取历史数据库中电子设备的振弦信号及振动信号数据，并将其转换为数字信号进行记录；
对转换后的数字信号进行预处理(包括滤波、去噪、降采样等操作，以提高数据质量和减少噪声的影响)，并从预处理后的数字信号中提取频域特征(如频谱、频率分量)、时域特征(如均值、方差、时域统计量)及时频特征(如小波包特征)信息，以捕捉信号的关键信息；
对转换后的数字信号进行标注，并将标注数字信号与电子设备的工作状态进行关联，例如正常状态和异常状态，其可以通过先验知识、历史记录或专家判断进行标注；
将标注后的数据划分为训练集和测试集，并利用训练集及测试集对构建的量子神经网络模型进行训练和测试，得到训练后的量子神经网络模型。
根据本发明的另一个实施例，提供了一种基于振动或磁场唤醒的信号采集识别系统，该系统包括信号采集终端和设备管理终端，所述信号采集终端由若干信号采集设备构成；
其中，所述信号采集设备包括壳体和位于壳体内部的控制系统构成，所述控制系统包括监测模块、电压调节供电模块、电压数据采集模块及数据传输模块；
所述监测模块，用于实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备；
所述电压调节供电模块，用于利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压；
所述电压数据采集模块，用于通过采集模块获取电子设备的电压数据，并利用补偿算法对采集的电压数据进行延时补偿；
所述数据传输模块，用于利用无线传输技术将补偿后的电压数据发送至设备管理终端；
所述设备管理终端包括电压数据分析计算模块及电子设备状态识别模块；
所述电压数据分析计算模块，用于设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号；
所述电子设备状态识别模块，用于设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别。
综上所述，借助于本发明的上述技术方案，通过对电子设备的磁场变化和振动情况进行实时监测，并在监测数据达到预设阈值时启动信号采集设备进行数据采集，从而可以在提高信号采集实时性的同时有效的降低设备的能耗，此外，本发明还可以结合特征要求的电压推荐算法、补偿算法、快速傅里叶变换法和量子神经网络模型等先进技术来实现对异常电子设备的高效、准确识别，从而可以更好地满足于企业的使用需求。
此外，通过利用基于果蝇算法优化的随机森林的电压推荐模型为采集模块提供适宜的供电电压，从而可以根据采集设备的应用场景要求(即灵敏度要求)及功耗要求来为其精确的推荐最佳的供电电压，保证其正常运行和最佳性能，有效地降低设备的能耗，更好地满足于企业能源效率的要求。
此外，本发明不仅可以利用延时补偿算法对采集的电压数据进行延时补偿，从而有效地提高采集数据的精确性和可靠性，而且还可以利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析识别，从而能够更加精确的实现对电子设备的异常识别，更好地满足于企业的使用需求。
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 (10)
1.一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，该方法包括以下步骤：
S1、实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备；
S2、利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压；
S3、通过采集模块获取电子设备的电压数据，并利用补偿算法对采集的电压数据进行延时补偿；
S4、利用无线传输技术将补偿后的电压数据发送至设备管理终端；
S5、设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号；
S6、设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别。
2.根据权利要求1所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备包括以下步骤：
S11、分别利用霍尔开关单元及低功耗振动传感单元实时监测电子设备的磁场变化及振动情况；
S12、当检测的磁场信号达到预设的磁场阈值或振动信号达到预设的振动阈值时启动信号采集设备。
3.根据权利要求1所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压包括以下步骤：
S21、获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据，并构建基于果蝇算法优化的随机森林的电压推荐模型；
S22、利用基于果蝇算法优化的随机森林的电压推荐模型根据采集模块的应用场景及功耗需求输出与之相对应的推荐供电电压；
S23、处理器根据推荐的供电电压调节采集模块的电压需求，并在电压稳定后为采集模块提供与推荐的供电电压相对应的供电电压。
4.根据权利要求3所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据，并构建基于果蝇算法优化的随机森林的电压推荐模型包括以下步骤：
S211、获取历史数据库中采集模块的供电电压数据及与之对应的应用场景和功耗要求的数据；
S212、提取与采集模块性能相关的特征数据并进行预处理，同时将预处理后数据分为训练数据集和测试数据集；
S213、定义果蝇优化算法的参数，并对参数的范围进行初始化处理；
S214、将训练样本输入随机森林回归模型，并根据适应度函数计算果蝇个体的适应度值，寻找个体最优和全局最优的果蝇个体的位置和最优适应度值；
S215、更新果蝇群体的位置和速度，并计算适应度值大小更新果蝇个体的位置和速度；
S216、判断迭代次数是否大于定义参数中的预设最大迭代次数，若是，则保存最优解，若否，则迭代次数加一并返回至S215；
S217、输出随机森林回归模型的最优参数，并基于最优参数构建基于果蝇算法优化的随机森林的电压推荐模型。
5.根据权利要求4所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述适应度函数的计算公式如下：
式中，Min Fit表示适应度值，Ntree表示森林中树的数量，Mtry表示候选特征子集，Nodesize表示叶节点的样本数，Yi表示第i样本点电压实际值，Xi表示第i样本电压预测值，m表示样本总数。
6.根据权利要求1所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述利用无线传输技术将补偿后的电压数据发送至设备管理终端包括以下步骤：
S41、利用数据压缩技术对补偿后的电压数据进行压缩处理，得到压缩数据；
S42、信号采集设备利用无线传输技术将压缩数据发送至设备管理终端。
7.根据权利要求1所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号包括以下步骤：
S51、设备管理终端接收补偿后的电压信号并进行预处理；
S52、利用快速傅里叶变换法将预处理后的电压信号从时域转换为频域，得到频谱数据；
S53、分析频谱数据确定振弦信号和振动信号在频域上的特征；
S54、根据频谱分析的结果识别出振弦信号的频率成分和振幅信息，得到振弦信号；
S55、根据频谱分析的结果识别出振动信号的频率成分和振幅信息，得到振动信号。
8.根据权利要求6所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别包括以下步骤：
S61、设备管理终端接收压缩数据，并进行解压得到电子设备的振弦信号及振动信号；
S62、利用预先构建的量子神经网络模型对解压后的振弦信号和振动信号进行识别，判断电子设备的工作状态是否异常，并在异常时发出警报。
9.根据权利要求8所述的一种基于振动或磁场唤醒的信号采集识别方法，其特征在于，所述量子神经网络模型的构建包括以下步骤：
获取历史数据库中电子设备的振弦信号及振动信号数据，并将其转换为数字信号进行记录；
对转换后的数字信号进行预处理，并从预处理后的数字信号中提取频域特征、时域特征及时频特征信息；
对转换后的数字信号进行标注，并将标注数字信号与电子设备的工作状态进行关联；
将标注后的数据划分为训练集和测试集，并利用训练集及测试集对构建的量子神经网络模型进行训练和测试，得到训练后的量子神经网络模型。
10.一种基于振动或磁场唤醒的信号采集识别系统，用于实现权利要求1-9中任一所述的基于振动或磁场唤醒的信号采集识别方法的步骤，其特征在于，该系统包括信号采集终端和设备管理终端，所述信号采集终端由若干信号采集设备构成；
其中，所述信号采集设备包括壳体和位于壳体内部的控制系统构成，所述控制系统包括监测模块、电压调节供电模块、电压数据采集模块及数据传输模块；
所述监测模块，用于实时监测电子设备的磁场变化及振动情况，并在监测数据超过预设阈值时启动信号采集设备；
所述电压调节供电模块，用于利用基于特征要求的电压推荐算法结合应用场景及功耗要求为信号采集设备中的采集模块提供对应的供电电压；
所述电压数据采集模块，用于通过采集模块获取电子设备的电压数据，并利用补偿算法对采集的电压数据进行延时补偿；
所述数据传输模块，用于利用无线传输技术将补偿后的电压数据发送至设备管理终端；
所述设备管理终端包括电压数据分析计算模块及电子设备状态识别模块；
所述电压数据分析计算模块，用于设备管理终端利用快速傅里叶变换法对补偿后的电压数据进行分析计算，得到电子设备的振弦信号及振动信号；
所述电子设备状态识别模块，用于设备管理终端利用量子神经网络模型结合振弦信号及振动信号对电子设备的工作状态进行分析，实现对异常电子设备的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830617.5A CN116738376B (zh) | 2023-07-06 | 2023-07-06 | 一种基于振动或磁场唤醒的信号采集识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830617.5A CN116738376B (zh) | 2023-07-06 | 2023-07-06 | 一种基于振动或磁场唤醒的信号采集识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738376A true CN116738376A (zh) | 2023-09-12 |
| CN116738376B CN116738376B (zh) | 2024-01-05 |
Family
ID=87916854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310830617.5A Active CN116738376B (zh) | 2023-07-06 | 2023-07-06 | 一种基于振动或磁场唤醒的信号采集识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738376B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
| US20190373364A1 (en) * | 2018-05-30 | 2019-12-05 | Beijing Xiaomi Mobile Software Co., Ltd. | Audio signal processing method and device, electronic equipment and storage medium |
| US20200049778A1 (en) * | 2018-08-10 | 2020-02-13 | Beijing Boe Optoelectronics Technology Co., Ltd. | Phase compensation circuit, magnetic induction imaging device and phase compensation method |
| CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
| US20220155373A1 (en) * | 2020-11-13 | 2022-05-19 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Motor malfunction monitoring device, drive motor system and motor malfunction monitoring method |
| CN114528949A (zh) * | 2022-03-24 | 2022-05-24 | 哈尔滨理工大学 | 一种基于参数优化的电能计量异常数据的识别与补偿方法 |
| CN114660531A (zh) * | 2022-05-24 | 2022-06-24 | 江西西平计量检测有限公司 | 一种基于电表测量误差补偿的检测方法、系统及装置 |
| CN115273895A (zh) * | 2022-06-21 | 2022-11-01 | 国网江苏省电力有限公司南京供电分公司 | 一种基于小波时频熵和RUSboost的变压器运行状态监测方法和系统 |
| US20220349957A1 (en) * | 2020-11-10 | 2022-11-03 | State Grid Xinjiang Co., Ltd. Electric Power Research Institute | System for perceiving operating state of large power transformer based on vibro-acoustic integration |
| CN115438765A (zh) * | 2022-09-06 | 2022-12-06 | 中国人民解放军国防科技大学 | 基于进化神经网络的移动目标识别方法、装置和设备 |
| CN115563464A (zh) * | 2022-09-19 | 2023-01-03 | 电子科技大学 | 一种基于量子卷积神经网络的核阀门异常状态识别方法 |
| CN115712029A (zh) * | 2021-08-23 | 2023-02-24 | 中车株洲电力机车研究所有限公司 | 列车与轨旁计轴器的电磁兼容性测试评估方法及相关设备 |
| CN116050605A (zh) * | 2022-12-30 | 2023-05-02 | 国网陕西省电力有限公司经济技术研究院 | 一种基于神经网络和随机森林法的电力负荷预测方法 |
| CN116089865A (zh) * | 2023-02-16 | 2023-05-09 | 国网青海省电力公司果洛供电公司 | 一种基于改进型网格搜索随机森林算法进行opgw异常振动分类识别的方法 |
-
2023
- 2023-07-06 CN CN202310830617.5A patent/CN116738376B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190373364A1 (en) * | 2018-05-30 | 2019-12-05 | Beijing Xiaomi Mobile Software Co., Ltd. | Audio signal processing method and device, electronic equipment and storage medium |
| US20200049778A1 (en) * | 2018-08-10 | 2020-02-13 | Beijing Boe Optoelectronics Technology Co., Ltd. | Phase compensation circuit, magnetic induction imaging device and phase compensation method |
| CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
| CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
| US20220349957A1 (en) * | 2020-11-10 | 2022-11-03 | State Grid Xinjiang Co., Ltd. Electric Power Research Institute | System for perceiving operating state of large power transformer based on vibro-acoustic integration |
| US20220155373A1 (en) * | 2020-11-13 | 2022-05-19 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Motor malfunction monitoring device, drive motor system and motor malfunction monitoring method |
| CN115712029A (zh) * | 2021-08-23 | 2023-02-24 | 中车株洲电力机车研究所有限公司 | 列车与轨旁计轴器的电磁兼容性测试评估方法及相关设备 |
| CN114528949A (zh) * | 2022-03-24 | 2022-05-24 | 哈尔滨理工大学 | 一种基于参数优化的电能计量异常数据的识别与补偿方法 |
| CN114660531A (zh) * | 2022-05-24 | 2022-06-24 | 江西西平计量检测有限公司 | 一种基于电表测量误差补偿的检测方法、系统及装置 |
| CN115273895A (zh) * | 2022-06-21 | 2022-11-01 | 国网江苏省电力有限公司南京供电分公司 | 一种基于小波时频熵和RUSboost的变压器运行状态监测方法和系统 |
| CN115438765A (zh) * | 2022-09-06 | 2022-12-06 | 中国人民解放军国防科技大学 | 基于进化神经网络的移动目标识别方法、装置和设备 |
| CN115563464A (zh) * | 2022-09-19 | 2023-01-03 | 电子科技大学 | 一种基于量子卷积神经网络的核阀门异常状态识别方法 |
| CN116050605A (zh) * | 2022-12-30 | 2023-05-02 | 国网陕西省电力有限公司经济技术研究院 | 一种基于神经网络和随机森林法的电力负荷预测方法 |
| CN116089865A (zh) * | 2023-02-16 | 2023-05-09 | 国网青海省电力公司果洛供电公司 | 一种基于改进型网格搜索随机森林算法进行opgw异常振动分类识别的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 沙志成等: "基于约束模糊聚类的电力系统扰动信号识别方法", 自动化与仪器仪表 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116738376B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108881196B (zh) | 基于深度生成模型的半监督入侵检测方法 | |
| Guo et al. | Multifeatures fusion and nonlinear dimension reduction for intelligent bearing condition monitoring | |
| Hollmén | User profiling and classification for fraud detection in mobile communications networks | |
| CN112461537A (zh) | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 | |
| Sun et al. | Lightweight bidirectional long short-term memory based on automated model pruning with application to bearing remaining useful life prediction | |
| CN111932051A (zh) | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
| CN116684878A (zh) | 一种5g信息传输数据安全监测系统 | |
| CN116738376B (zh) | 一种基于振动或磁场唤醒的信号采集识别方法及系统 | |
| CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
| CN116106005B (zh) | 一种基于端边云协同机器学习的旋转设备故障诊断方法 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN116660761A (zh) | 一种锂离子电池检测方法及系统 | |
| US20230376398A1 (en) | System and method for predicting remaining useful life of a machine component | |
| Moon et al. | AD 2: Improving quality of IoT data through compressive anomaly detection | |
| CN114676783A (zh) | 一种基于单分类结合模糊宽度学习的负荷识别方法 | |
| Chen et al. | Self-attention mechanism based dynamic fault diagnosis and classification for chemical processes | |
| Di et al. | Application of improved deep auto-encoder network in rolling bearing fault diagnosis | |
| Jiafeng et al. | Transformer Fault Prediction Method Based on Multiple Linear Regression | |
| Xiaoqian | A sensor fault diagnosis algorithm for uav based on neural network | |
| Chen et al. | A transformer vibration amplitude prediction method via fusion of multi-signals | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 |
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 |