CN116975588A - 用于带式输送机的故障诊断方法 - Google Patents
用于带式输送机的故障诊断方法 Download PDFInfo
- Publication number
- CN116975588A CN116975588A CN202311225895.4A CN202311225895A CN116975588A CN 116975588 A CN116975588 A CN 116975588A CN 202311225895 A CN202311225895 A CN 202311225895A CN 116975588 A CN116975588 A CN 116975588A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- feature
- point
- points
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 120
- 230000004927 fusion Effects 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 35
- 238000001739 density measurement Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000006049 ring expansion reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
- G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于带式输送机的故障诊断方法,涉及数据处理技术领域。该方法包括:结合至少两种度量信息确定目标特征点的初始近邻点,并调整目标特征点的度量判别信息,结合调整后的度量判别信息和各特征点的多信息融合度量数据确定目标近邻点,利用度量信息更新目标近邻点,根据更新后的目标近邻点对目标特征点进行重构,利用更新后的重构权值矩阵对特征信息降维,将结果输入到分类器进行故障诊断。本发明利用目标特征点的融合度量信息自适应确定目标近邻点,优化重构权值矩阵,利用优化的重构权值矩阵进行降维处理,避免数据冗余现象,保证可以准确拟合特征信息间的结构,从而提高故障诊断的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种用于带式输送机的故障诊断方法。
背景技术
带式输送机作为一种常用的运输设备,其状态直接影响设备运输性能。然而,在带式输送机长期高强度工作过程中,很容易发生接头脱落、托辊故障等问题,若不能及时发现故障并排除,轻则导致设备长时间停机维修,影响产能,重则可能会造成人员伤亡;因此,带式输送机的故障诊断至关重要。
相关的带式输送机的故障诊断方案中,一般会将采集到的带式输送机相关的所有特征数据用于故障诊断,但是,由于检测到的带式输送机的特征数据的类型较多且数据量较大,如果直接根据检测到的大量特征数据进行故障诊断,无法准确拟合数据,可能会导致故障诊断结果的准确性较低。
发明内容
本发明需解决的技术问题是:在利用特征信息进行故障诊断的过程中存在数据冗余现象,可能会导致故障诊断结果的准确性较低。
为了解决上述问题,本发明提供了一种用于带式输送机的故障诊断方法。其采用的技术方案如下:
获取带式输送机采集的特征信息集合,并根据特征信息集合构建各特征信息间的至少两种度量信息;
结合至少两种度量信息构建多信息融合度量数据,并根据多信息融合度量数据确定特征信息集合中目标特征点的初始近邻点集合;
根据特征信息集合中各特征点的度量信息以及目标特征点的初始近邻点集合中预设初始近邻点的度量信息值调整度量判别信息,并根据调整后的度量判别信息与各特征点的多信息融合度量数据确定目标特征点的目标近邻点集合;
利用目标近邻点集合中各目标近邻点的度量信息对各目标近邻点进行更新,并根据更新后的所有目标近邻点对目标特征点进行重构,确定更新后的重构权值矩阵;
根据更新后的重构权值矩阵确定目标特征向量,并将目标特征向量输入到预训练的故障分类器中,确定带式输送机的故障分类结果。
本发明的有益效果是:
本发明结合度量信息选择目标特征点的初始近邻点可以更准确的贴合的结构,并且结合度量信息以及度量判别信息选择目标近邻点,增加了数据的贴合性;同时,利用度量信息对目标特征点的目标近邻点进行优化得到目标特征点优化后的重构权值矩阵,并且利用优化后的重构权值矩阵对数据进行降维,避免了数据冗余现象,并且可以准确的拟合出特征点之间的结构特征,使拟合得到的特征向量更贴合采集的特征信息的分布,从而提高故障诊断的准确性。
附图说明
图1为本发明一实施例的一种用于带式输送机的故障诊断方法的流程图。
图2为本发明一实施例的根据密度度量信息确定的目标特征点的第一类近邻点的示意图。
图3为本发明一实施例的根据距离度量信息确定的目标特征点的第二类近邻点的示意图。
图4为本发明一实施例的结合密度度量信息与距离度量信息确定目标特征点的初始近邻点的示意图。
图5为本发明一实施例的对更新后的重构权值矩阵确认的流程图。
图6为本发明一实施例的带式输送机故障诊断的整体流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明实施例提出了一种用于带式输送机的故障诊断方法,该方法可以由终端设备或者服务器执行,下面以服务器对采集的带式输送机的特征信息集合进行故障分析为例,对本实施例中的带式输送机的故障诊断方法进行说明。
如图1所示,本发明实施例中的用于带式输送机的故障诊断方法至少可以包括以下步骤:
在步骤S110中,获取带式输送机采集的特征信息集合,并根据特征信息集合构建各特征信息之间的至少两种度量信息;
在步骤S120中,结合至少两种度量信息构建多信息融合度量数据,并根据多信息融合度量数据确定特征信息集合中目标特征点的初始近邻点集合;
在步骤S130中,根据特征信息集合中各特征点的度量信息以及目标特征点的初始近邻点集合中预设初始近邻点的度量信息值调整度量判别信息,并根据调整后的度量判别信息与各特征点的多信息融合度量数据确定目标特征点的目标近邻点集合;
在步骤S140中,利用目标近邻点集合中各目标近邻点的度量信息对各目标近邻点进行更新,并根据更新后的所有目标近邻点对目标特征点进行重构,确定更新后的重构权值矩阵;
在步骤S150中,根据更新后的重构权值矩阵确定目标特征向量,并将目标特征向量输入到预训练的故障分类器中,确定带式输送机的故障分类结果。
本发明中用于带式输送机的故障诊断方法,结合度量信息选择目标特征点的初始近邻点可以更准确的贴合的结构,并且结合度量信息以及度量判别信息选择目标近邻点,增加了数据的贴合性;同时,利用度量信息对目标特征点的目标近邻点进行优化得到目标特征点优化后的重构权值矩阵,并且利用优化后的重构权值矩阵对数据进行降维,避免了数据冗余现象,并且可以准确的拟合出特征点之间的结构特征,使拟合得到的特征向量更贴合采集的特征信息的分布,从而提高故障诊断的准确性。
下面,对步骤S110至步骤S150进行详细说明。
在步骤S110,获取带式输送机采集的特征信息集合,并根据特征信息集合构建各特征信息间的至少两种度量信息。
在本发明的一个实施例中,特征信息集合是指可以表征带式输送机多种特征的数据集,用于作为判断带式输送机是否发生故障的参考数据,特征信息集合中的特征点可以表征多种数据,每个特征点可以表征相同的数据,也可以表征不同的数据,可以根据具体的情况确定,本实施例对于中各特征点表征的数据不做特别限定。
度量信息是指度量特征信息集合中各特征点之间结构的信息,用于表示特征点在高维空间中的结构信息,从而选择合适的特征点作为目标特征点的初始近邻点。举例而言,根据特征点的度量信息可以判断特征点的集中情况,避免离群点被选作目标特征点的初始近邻点;可选的,度量信息也可以衡量目标特征点与特征点之间的距离,从而根据距离信息作为选取目标特征点的初始近邻点的判断依据;当然,还可以根据具体的情况选择合适的度量信息来表征特征点之间的分布信息,从而选择合适的特征点作为目标特征点的初始近邻点,本实施例对于度量信息表征的特征点特征的种类不做特别限定。
可选的,可以将判断特征点集中情况的度量信息以及判断目标特征点与特征点之间距离的度量信息融合,保障选取的初始近邻点与目标特征点之间的相似度,从而还原特征信息之间的真实结构,在一定程度上提高了根据特征点的特征对特征数据进行降维算法的性能。
在步骤S120,结合至少两种度量信息构建多信息融合度量数据,并根据多信息融合度量数据确定特征信息集合中目标特征点的初始近邻点集合。
在本发明的一个实施例中,多信息融合度量数据是指根据至少两种度量信息确定的衡量特征点之间相似度大小的信息,用于表征特征点之间的相似性从而选择合适的特征点作为目标特征点的目标近邻点。多信息融合度量数据的确定与根据特征信息确定的度量信息表征特征点特征的种类数有关,例如,若根据特征信息确定的度量信息的种类为两种,则多信息融合度量数据是由两种度量信息表征的特征数据之间的运算得到的结果,当然,多信息融合度量数据表征的特征与度量信息的种类相关,本实施例对于多信息融合度量数据表征的特征点之间的特征不做特别限定。
可选的,多信息融合度量数据可以表征特征点之间的相似度,当多信息融合度量数据较大时,则表示特征点之间的相似性越大,反之,当多信息融合度量数据较小时,则表示特征点之间的相似性越小,可以根据特征点与目标特征点之间的多信息融合度量数据的大小选取多个特征点作为目标特征点的初始近邻点,当然,目标特征点的初始近邻点的个数可以根据具体的情况来设置,本实施例对于目标特征点的初始近邻点的选取的个数不做特别限定。
目标特征点是指特征信息集合中的任一特征点,用于作为一个始端选择合适的特
征点作为目标近邻点。目标特征点的选取和特征信息集合相关,举例而言,目标特征点可以
是中的任意特征点,如,其中,X
表示获取的特征信息集合中所有特征点的集合,x1,x2,……,xn表示n个特征点,RD*n表示高
维空间中的n个D维数据。当然,也可以根据具体的情况选择特征信息集合中合适的特征点
作为目标特征点,本实施例对于目标特征点的选取不做特别限定。
初始近邻点集合是指根据特征信息集合中所有特征点与目标特征点之间的多信息融合度量数据选择的一定个数的特征点的集合,用于表示与目标特征点相似度较大的特征点。初始近邻点的个数可以根据预设近邻K值来确定,举例而言,若目标特征点的预设近邻K值为5,则表示选取5个特征点作为目标特征点的初始近邻点,则根据所有特征点与目标特征点之间的多信息融合度量数据,选取与目标特征点之间的多信息融合度量数据在前5的特征点作为目标特征点的初始近邻点,从而构建初始近邻点集合,当然,还可以根据具体的情况选择合适的特征点作为目标特征点的初始近邻点,此外,初始近邻点集合中初始近邻点的个数可以根据具体的情况来确定,本实施例对于目标特征点的初始近邻点的选取以及目标特征点的预设近邻K值的选择不做特别限定。
可以根据多信息融合度量数据确定目标特征点的初始近邻点集合,从多物理信息以及多空间角度描述特征点之间的关系,从而可以更准确的贴合特征点之间的真实结构,进一步的提高利用特征点之间的特征信息对特征数据进行降维的算法的性能。
在步骤S130,根据特征信息集合中各特征点的度量信息以及目标特征点的初始近邻点集合中预设初始近邻点的度量信息值调整度量判别信息,并根据调整后的度量判别信息与各特征点的多信息融合度量数据确定目标特征点的目标近邻点集合。
在本发明的一种示例实施例中,预设初始近邻点是指根据预设近邻K值所选定的目标特征点的初始近邻点集合中的第K个初始近邻点,用于确定调整度量判别信息的参考数据,预设近邻K值可以根据特征信息集合的数据量大小来确定预设近邻K值,如当特征信息集合中的数据量较小时,可以选择较小的预设近邻K值,避免过拟合,当特征信息集合中的数据量较大时,可以选择较大的预设近邻K值,避免噪声的影响;当然,可以根据具体的情况选择合适的方式确定预设初始近邻,本实施例对于预设近邻K值的大小以及确定方式不做特别限定。
预设初始近邻点的度量信息值是指目标特征点的第K个初始近邻点之间的多信息融合度量数据,用于调整度量判别信息。举例而言,可以将预设初始近邻点的度量信息值作为基础数值,从而根据目标特征点的其他信息,如目标特征点的密度在对应的密度向量中的下标数值,以及根据目标特征点确定的调整范围等数据调整度量判别信息,因此可以根据目标特征点的相关信息结合初设近邻点的度量信息值对度量判别信息进行调整;当然,还可以根据具体的情况选择合适的方式调整度量判别信息,本实施例对于度量判别信息的调整的方式不做特别限定。
度量判别信息是指根据所有特征点与目标特征点之间的多信息融合度量数据选取合适的特征点作为目标特征点的目标近邻点时的判断依据。度量判别信息的调整操作可以通过特征信息集合中的目标特征点的度量信息以及特征信息集合中处于中某一位置的特征点的度量信息之间的比较关系确定,举例而言,当目标特征点度量信息小于特征信息集合中某一位置特征点的度量信息时,则缩小目标特征点的邻域范围从而调整度量判别信息,当目标特征点度量信息大于或者等于特征信息集合中某一位置特征点的度量信息时,则扩大目标特征点的邻域范围从而调整度量判别信息,本实施例对于调整度量判别信息的操作不做特别限定。
可选的,可以根据目标特征点的密度度量信息与处于特征信息集合中某一位置特征点的密度度量信息的大小来确定调整度量判别信息的操作,从而动态的调整目标特征点的邻域范围。
目标近邻点集合是指与目标特征点相似度较大并且处于目标特征点邻域范围的特征点的集合,用于动态的构建目标特征点的目标近邻点集合。目标近邻点集合中的特征点即为目标近邻点,目标近邻点可以根据所有特征点和目标特征点之间的多信息融合度量数据与调整后的度量判别信息的比较结果来确定,如当目标特征点与特征信息集合中的特征点的多信息融合度量数据大于或等于调整后的度量判别信息时,可以选取为目标特征点的目标近邻点,本实施例对于目标近邻点的个数以及目标近邻点的确定方式不做特别限定。
可选的,结合多度量融合度量数据以及调整后的度量判别信息确定目标特征点的目标近邻点,从而可以根据特征信息集合中各特征点自身的分布情况为基础自适应的选择目标近邻点,增加了算法的灵活性以及数据的贴合性。
在步骤S140,利用目标近邻点集合中各目标近邻点的度量信息对各目标近邻点进行更新,并根据更新后的所有目标近邻点对目标特征点进行重构,确定更新后的重构权值矩阵。
在本发明的一种示例实施例中,重构权值矩阵是指用于表示特征信息集合中的各特征点之间的关系。重构权值矩阵可以利用拉格朗日乘子法进行求解,也可以利用均匀权重法进行求解,当然,还可以根据具体的情况选择合适的方法求解重构权值矩阵,本实施例对于重构权值矩阵的确定方法不做特别限定。
可以根据度量信息对目标近邻点集合中各目标近邻点进行优化,举例而言,当度量信息表征的是特征点之间的密度信息时,可以根据各目标近邻点的密度信息对各目标近邻点赋予权重,从而优化目标近邻点,并根据优化后的所有目标近邻点重构目标特征点,从而得到更新的表征目标特征点和目标近邻点之间关系的重构权值矩阵。
在步骤S150,根据更新后的重构权值矩阵确定目标特征向量,并将目标特征向量输入到预训练的故障分类器中,确定带式输送机的故障分类结果。
在本发明的一种示例实施例中,目标特征向量是指通过对高维空间中的数据进行非线性降维处理得到的低维特征向量,用于进行故障诊断的判别依据。举例而言,可以通过流形学习对嵌入在高维空间中的目标特征进行求解,如可以利用流形学习中的局部线性嵌入优化算法(LLE,Locally Linear Embedding)进行求解,当然,还可以根据具体的情况选择合适的非线性降维的优化算法对目标特征向量进行求解,本实施例对于目标特征向量的确定不做特别限定。
预训练的故障分类器是指根据特征信息进行训练的机器学习模型,用于检测和分类故障情况。预训练的故障分类器的选择可以有多种,举例而言,可以选择支持向量机作为预训练的故障分类器,也可以选择支持随机森林的分类器作为预训练的故障分类器,当然,可以根据具体的情况选择合适的分类器作为预训练的故障分类器,本示例实施例对于预训练的故障分类器的种类不做特别限定。
以下对于步骤S110至步骤S150中所涉及的技术方案进行详细解释。
在本发明一示例实施例中,度量信息可以是密度度量信息,可以通过以下步骤实现对步骤S110中度量信息的确定:
确定估计核函数,并获取估计核函数对应的核函数带宽,根据特征信息集合中各特征点以及估计核函数和核函数带宽,确定用于描述特征信息集合中各特征点的概率密度,将概率密度作为特征信息集合中各特征点的密度度量信息,特征点的概率密度表示为公式(1):
(1)
其中,f(x)可以表示特征信息集合中各特征点x的概率密度,hD可以表示D维空间中的核函数带宽,n可以表示特征信息集合中特征点的总数,h可以表示核函数带宽,可以表示核函数,xi表示目标特征点,/>可以表示为从第1个特征点至第n个特征点的加权求和。
其中,估计核函数是指用来估计各特征点密集程度的函数,用于确定特征点的分布信息。可以选择高斯核函数作为估计核函数来计算特征点的概率密度,也可以选择矩形核函数或者三角核函数作为估计核函数来计算特征点的概率密度,当然,可以根据具体的情况选择合适的核函数作为估计核函数来计算特征点的概率密度,本实施例对于估计核函数的选择不做特别限定。
估计核函数对应的核函数带宽是指用于控制核函数曲线宽度的参数,举例而言,当选择高斯核函数作为估计核函数时,较小的核函数带宽可以使高斯核函数曲线更加的尖锐,只有集中的一部分特征点对计算结果有显著作用,较大的带宽可以使高斯核函数曲线更加的平滑,从而使更多的特征点对计算结果有显著作用,核函数带宽需要根据具体的估计核函数选择的核函数类型以及特征点的情况进行调整,本实施例对于核函数带宽的具体数值不做特别限定。
可选的,计算特征信息集合中各特征点的概率密度可以确定特征点的分布情况,举例而言,当特征点的概率密度较小时,则说明特征点在离群区域,当特征点的概率密度较大时,则说明特征点在集中区域,从而可以通过特征点的概率密度选择处于集中区域的特征点作为目标特征点的初始近邻点,避免因离群点被选作初始近邻点而降低根据特征点之间表征的特征信息进行故障诊断的算法的性能。
可选的,特征点的概率密度可以采用核函数估计方法计算,选择高斯核函数作为估计核函数,并确定高斯核函数曲线对应的高斯核函数带宽,从而利用核函数估计的公式(1)计算出特征点的概率密度f(x)。
密度度量信息是指计算出的特征点的概率密度表征的信息,用于衡量特征点的密度信息。可以根据密度度量信息度量特征点的密度,从而确定特征点对应的密度值,也可以将密度度量信息作为优化目标近邻点的参考数据,从而基于特征点之间的分布情况对特征点的重构权值矩阵进行优化,当然,还可以根据具体的情况将密度度量信息确定不同的信息,本实施例对于利用密度度量信息的作用不做特别限定。
可选的,在根据密度度量信息确定特征点的概率密度时,可以参考图2所示,如图2所示,其中1表示特征点,2表示目标特征点,31表示第一类近邻点,可以利用核函数估计的公式(1)计算特征信息集合中各特征点1与目标特征点2之间的密度信息,从而选取K个与目标特征点2分布较集中的特征点1作为第一类近邻点31,其中K为预设近邻值。
可选的,选取的第一类近邻点31的个数和目标特征点2的预设近邻K值有关,若预设近邻K值为5,则根据密度度量信息选取5个与目标特征点2的分布较集中的第一类近邻点31,当然,可以根据具体的情况选择合适个数的K值,本实施例对于选取的第一类近邻点31的个数不做特别限定。
在本发明一示例实施例中,度量信息可以是距离度量信息,可以通过以下步骤实现对步骤S110中度量信息的确定:
确定目标特征点与特征信息集合中所有特征点之间的欧几里得距离,对欧几里得距离进行归一化映射处理,确定用于描述特征信息集合中的目标特征点与特征信息集合中各特征点的归一化线性距离,并将归一化线性距离作为特征信息集合中各特征点之间的距离度量信息,目标特征点与特征信息集合中各特征点的距离度量信息可以表示为公式(2):
(2)
其中,dne(xi,xj)表示目标特征点与特征信息集合中各特征点之间的距离度量信息,M(i)表示目标特征点xi到特征信息集合中各特征点的距离总和,de(xi,xj)表示目标特征点xi和特征信息集合中各特征点xj之间的欧几里得距离。
欧几里得距离是指在高维空间中目标特征点与特征点之间的线性距离,用于表征
特征信息在特征空间中的距离信息。欧几里得距离可以通过欧氏距离公式来计算,举例而
言,可以利用欧氏距离公式计算两个特征点之间的线
性距离,de(xi,xj)表示目标特征点xi和特征信息集合中各特征点xj之间的欧几里得距离,表示目标特征点xi的第l维特征,D表示目标特征点xi的最高维特征。
归一化线性距离是指将特征点之间的欧几里得距离映射到(0,1)区间内得到的数据,用于去除数据的不同特征尺度的影响从而提高依靠特征信息进行降维的算法的稳定性和准确性。可以通过将欧氏距离进行映射处理得到归一化的欧几里得距离,举例而言,利用公式(2)将欧几里得距离映射到(0,1)区间内,得到归一化的欧几里得距离即特征点之间的距离度量信息。
通过将归一化线性距离作为特征信息集合中各特征点之间的距离度量信息,一方面,将特征点之间的距离限制在同一尺度内,可以消除不同特征点之间尺度差异带来的影响,使得各个特征点对于距离度量的影响相对均衡,从而提高依赖特征点表征的特征信息对特征数据进行降维的算法模型的稳定性和准确性;另一方面,通过计算不同特征点与目标特征点之间的线性距离,可以评估特征点在相似度量上的重要程度,从而选择合适的特征点作为目标特征点的初始近邻点。
可选的,在根据距离度量信息确定特征点的线性距离时,可以参考图3所示,如图3所示,其中1表示特征点,2表示目标特征点,32表示二类近邻点,可以利用公式(2)计算特征信息集合中各特征点1与目标特征点2之间的距离信息,从而选取K个与目标特征点2距离较近的特征点1作为第二类近邻点32,其中K为预设近邻值。
可选的,选取的第二类近邻点32的个数和目标特征点2的预设近邻K值有关,若预设近邻K值为5,则根据距离度量信息选取的5个与目标特征点2的距离较近的第二类近邻点32,当然,可以根据具体的情况选择合适个数的K值,本实施例对于选取的第二类近邻点32的个数不做特别限定。
在本发明的一示例实施例中,度量信息包括密度度量信息和距离度量信息,可以通过以下步骤实现对步骤S120中多信息融合度量数据的确定:
根据密度度量信息与距离度量信息确定多信息融合度量数据,多信息融合度量数据表示为公式(3):
de-kde(xi,xj)=dne(xi,xj)×f(xj)(3)
其中,de-kde(xi,xj)可以表示目标特征点xi与特征信息集合中各特征点xj之间的多信息融合度量数据,dne(xi,xj)可以表示目标特征点xi与特征信息集合中各特征点xj之间的距离度量信息,f(xj)表示特征信息集合中各特征点xj的密度度量信息。
其中,多信息融合度量数据是指表征特征点之间相似度的数据,用于选择合适的特征点作为目标特征点的初始近邻点,从而构建初始近邻点集合。多信息融合度量数据可以通过密度度量信息与距离度量信息的乘积来计算,举例而言,特征信息集合中各特征点xj的密度度量信息为f(xj),特征信息集合中各特征点xj与目标特征点xi的距离度量信息为dne(xi,xj),则特征信息集合中各特征点xj与目标特征点xi的多信息融合度量数据即为通过多信息融合度量数据公式(3)计算得到的数据;多信息融合度量数据可以根据具体的情况通过选择的度量信息来确定,本实施例对于多信息融合度量数据的确定不做特别限定。
可选的,通过计算目标特征点xi与特征信息集合中各特征点xj之间的多信息融合度量数据可以确定目标特征点xi与特征信息集合中各特征点xj之间的相似度,从而可以根据计算出的多信息融合度量数据的大小以及目标特征点的预设近邻K值,选取K个特征点作为xi的初始近邻点。
在本发明的一示例实施例中,可以通过以下步骤实现对步骤S120中根据多信息融合度量数据确定目标特征点的初始近邻点集合:
获取特征信息集合中各特征点与目标特征点之间的多信息融合度量数据以及预设的目标特征点的初始近邻点的个数,根据预设的目标特征点的初始近邻点的个数选取对应个数的特征点作为目标近邻点的初始近邻点,得到初始近邻点集合,选取的特征点与目标特征点之间的多信息融合度量数据大于未被选取的特征点与目标特征点之间的多信息融合度量数据。
其中,预设的目标特征点的初始近邻点的个数是指目标特征点的预设近邻K值,用于确定作为目标特征点的目标近邻点的个数。预设近邻K值在本发明的步骤S130中已做详细说明,在此不做赘述。
可选的,可以根据目标特征点的预设近邻K值,选取K个与目标特征点之间的多信息融合度量数据较大的特征点作为目标特征点的初始近邻点,从而构建由K个初始近邻点组成的初始近邻点集合。
可选的,结合密度度量信息以及距离度量信息构建的多信息融合度量数据确定目标特征点的初始近邻点集合,可以参考图4所示,其中,1表示特征点,2表示目标特征点,3表示初始近邻点,可以利用多信息融合度量数据公式(3)结合密度度量信息和距离度量信息计算特征信息集合中各特征点1与目标特征点2之间的多信息融合度量数据,从而得到第一类近邻点31和第二类近邻点32与目标特征点2之间的相似度,并选取K个与目标特征点2相似度较大的第一类近邻点31或第二类近邻点32作为初始近邻点3,其中K为预设近邻值。
可选的,当目标特征点的预设近邻K值为5,则在第一类近邻点31和第二类近邻点32中选取5个与目标特征点2之间的多信息融合度量数据表征的相似度较大的近邻点作为目标特征点2的初始近邻点3,从而确定初始近邻点集合。
在本发明的一示例实施例中,度量信息包括密度度量信息,可以通过以下步骤实现对步骤S130中度量判别信息的调整:
根据密度度量信息确定特征信息集合中各特征点的密度值,并将处于特征信息集合中目标位置的特征点对应的密度值作为目标密度值,当目标特征点的密度值小于目标密度值时,通过缩圈操作并根据目标特征点的预设初始近邻点的度量信息值调整度量判别信息,当目标特征点的密度值大于或者等于目标密度值时,通过扩圈操作并根据目标特征点的预设初始近邻点的度量信息值调整度量判别信息;通过缩圈操作调整度量判别信息表示为:通过扩圈操作调整度量判别信息表示为:/>其中,de-kdei ' 表示所述度量判别信息,de-kdei表示目标特征点xi根据预设近邻K值所选定的初始近邻点集合中的第K个初始近邻点的度量信息值,s_indexi表示样本密度ρi在密度向量ρ前50%数据中所处位置下标,s_di表示目标特征点xi的最大缩圈范围,k_indexi表示样本密度ρi在密度向量ρ后50%数据中所处位置下标,k_di表示目标特征点xi的最大扩圈范围,n表示特征信息集合中特征点的总数。
其中,密度值是指根据密度度量信息确定的特征点的密度信息,用于表征特征点的分布情况。密度值可以通过核密度估计算法计算得到,举例而言,可以利用核密度估计公式计算得到特征信息集合中各特征点对应的密度值,并且每个特征点对应一个密度值,如目标特征点xi对应的密度值为ρi。
目标位置的特征点是指在特征信息集合中的所有特征点对应的下标按照从小到大的顺序排列时的中间位置的特征点,用于作为调整目标特征点邻域范围的判断依据。通过核密度估计算法求得的处于目标位置特征点的密度即为目标密度值,可选的,若中间位置的特征点为xmid,则特征点xmid对应的目标密度值为ρmid,当然,也可以根据具体的情况选择合适的特征点对应的密度值作为目标密度值,本实施例对于目标密度值的确定不做特别限定。
可选的,对于给定的,利用核密度估计公式计算每个特征点的密度值,从而得到特征信息集合中每个特征
点对应的密度值,并构成密度向量,
将密度向量的中位数元素作为目标密度值,用ρmid表示,然后将ρmid作为判别标准从而作为
调整度量判别信息操作的判断依据。
缩圈操作是指将目标特征点xi的邻域范围缩小的操作,用于改变目标特征点xi的邻域范围,从而选择合适的初始近邻点作为目标特征点xi的目标近邻点。缩圈操作可以通过公式完成,举例而言,当目标特征点xi对应的密度值ρi(i=1,2,......,n)<ρmid时,对目标特征点的邻域范围进行缩圈操作,从而缩小目标特征点xi的邻域范围。
可选的,缩圈程度和s_indexi以及s_di有关,s_indexi表示样本密度ρi在特征信息集合中各特征点对应的密度值组成的向量前50%数据中所处位置的下标,下标值越小,缩圈操作的缩圈力度越大;s_di表示目标特征点xi的最大缩圈范围,决定了目标特征点xi缩圈的尺度,可以将缩圈范围s_di设定为目标特征点xi第(K-b)(b=1,2,……,K-1)个初始近邻点的度量信息值,即目标特征点xi与目标特征点xi的第(K-b)(b=1,2,……,K-1)个初始近邻点之间的多信息融合度量数据,b表示自适应参数,当然,还可以根据具体的情况选择合适的缩圈尺度,本实施例对于缩圈操作的尺度不做特别限定。
扩圈操作是指将目标特征点xi的邻域范围扩大的操作,用于改变目标特征点xi的邻域范围,从而选择合适的初始近邻点作为目标特征点xi的近邻点。扩圈操作也可以通过公式完成,举例而言,当目标特征点xi对应的密度值ρi(i=1,2,......,n)>ρmid时,对目标特征点的邻域范围进行扩圈操作,从而扩大目标特征点xi的邻域范围。
可选的,扩圈程度和k_indexi以及k_di有关,k_indexi表示样本密度ρi在特征信息集合中各特征点对应的密度值组成的向量后50%数据中所处位置的下标,下标值越大,扩圈操作的扩圈力度越大;k_di表示目标特征点xi的最大扩圈范围,决定了目标特征点xi扩圈的尺度,可以将扩圈范围k_di设定为目标特征点xi第(K+b)(b=1,2,……,K-1)个初始近邻点的度量信息值,即目标特征点xi与目标特征点xi的第(K+b)(b=1,2,……,K-1)个初始近邻点之间的多信息融合度量数据,b表示自适应参数,当然,还可以根据具体的情况选择合适的扩圈尺度,本实施例对于扩圈操作的尺度不做特别限定。
在本发明的一示例实施例中,可以通过以下步骤实现对步骤S130中目标近邻点集合的确定:
当特征信息集合中的特征点与目标特征点之间的多信息融合度量数据大于或等于调整后的度量判别信息时,将特征点确定为目标特征点的目标近邻点,得到目标近邻点集合。
其中,目标近邻点是指与目标特征点相似度较大并且处于目标特征点邻域范围的特征点,用于重构目标特征点。目标近邻点的个数与预设近邻K值以及目标特征点的邻域范围有关,当然,可以根据具体的情况选择合适个数的目标近邻点,本实施例对于目标近邻点集合中目标近邻点的个数不做特别限定。
可选的,可以根据目标特征点xi调整后的度量判别信息de-kdei ' 作为选取目标特征
点xi的目标近邻点的参数依据,当特征点xj与目标特征点xi之间的多信息融合度量数据
de-kde(xi,xj)(j=1,2,......,n)≥de-kdei ' 时,将特征点xj作为目标特征点xi的目标近邻点,可
以根据中每个特征点与目标特征点xi之间的多信息融
合度量数据,选取K个与目标特征点xi之间的多信息融合度量数据较大的特征点作为目标
特征点xi的目标近邻点,从而构建目标特征点xi的目标近邻点集合。
可选的,当特征信息集合中的特征点与目标特征点之间的多信息融合度量数据小于调整后的度量判别信息时,则可以认为这些特征点不满足作为目标特征点的目标近邻点的条件,直接忽略。
在本发明的一示例实施例中,可以通过以下步骤实现对步骤S140中的更新后的目标近邻点确定:
在步骤S510,根据密度度量信息确定各目标近邻点的密度系数;
在步骤S520,根据各目标近邻点以及与各目标近邻点对应的密度系数确定更新后的目标近邻点;
其中,目标近邻点的密度系数是指利用核密度计算公式计算得到的特征点的密度
值与特征信息集合中的所有特征点的密度值的加权求和的比值与1差距的数值,用于优化
目标近邻点。举例而言,可以根据各目标近邻点的密度系数对目标特征点xi的目标近邻点xj
赋予权重,得到优化后的目标近邻点,其中αj表示目标近邻点xj的密度系数,,f(xj)表示特征点xj利用核密度计算公式计算得到密度值,表示在中的所有特征点的密度值的加权求
和的值。
在本发明的一示例实施例中,可以根据更新后的所有目标近邻点重构目标特征
点,得到目标特征点更新后的重构权值矩阵。其中,重构目标特征点的公式可以表示为:,xi表示目标特征点,表示所有目标近邻点的加权求
和,表示xi对应的重构权值矩阵中的元素,表示优化后的目标近邻点,表示目标近邻点,αj表示目标近邻点的密度系数。
其中,重构权值矩阵是指目标特征点与目标近邻点之间的连接关系,用于表示目标特征点与目标近邻点之间的相似度关系。可选的,通过构建目标特征点的重构权值矩阵可以获取到特征点之间的局部结构信息,可以对重构权值矩阵进行优化,然后利用优化后的重构权值矩阵对中的数据进行降维,避免了数据的冗余现象,并准确的拟合了特征点之间的非线性结构,从而提高故障诊断的准确性。
可选的,可以根据赋予权重后的目标近邻点的坐标重构目标特征点xi,通过公
式对目标特征点xi进行重构,其中,,
然后最小化重构误差:
得到更新后的重构权值矩阵。其中,,表示重构权值矩阵,表示n个赋予权重后的目标近邻点的加权求和,αj表示目标
特征点xi对应的目标近邻点的密度系数,T表示矩阵转置,X表示采集的特征信息集合,表示目标特征点xi的目标近邻点的集合。
可选的,利用赋予权重后的目标近邻点对目标特征点xi进行重构,在考虑目标特征点xi与目标近邻点xj的距离度量信息的基础上,考虑目标特征点xi与目标近邻点xj之间的分布信息,更贴合的实际分布,从而可以提高依赖于特征信息对特征数据进行降维的算法的准确性。
在本发明的一示例实施例中,通过以下步骤实现对步骤S150中目标特征向量的确定:
将更新后的重构权值矩阵进行特征值分解,并根据特征值分解的结果确定目标特征值,根据目标特征值对应的特征向量确定目标特征向量。
其中,目标特征值是利用特征值分解法求取的更新后的重构权值矩阵的非零特征值,用于确定对应的特征向量。目标特征值的个数与更新后的重构权值矩阵有关,当更新后的重构权值矩阵的秩为1时,则表明更新后的重构权值矩阵至少有一个非零的特征值,若更新后的重构权值矩阵的秩为r大于1时时,则表明更新后的重构权值矩阵至少有r个非零的特征值,可以根据具体的更新后的重构权值矩阵的秩确定不同个数的目标特征值,本实施例对于目标特征值的个数不做特别限定。
可选的,可以利用拉格朗日乘子法,求得更新后的重构权值矩阵的封闭解,从而确定数据低维空间的表示,其中利用/>求解嵌入在高维空间中的低维特征为:,然后通过对/>进行特征值分解,求得最小d个非零特征值所对应的特征向量,即降维后的目标特征向量,其中,/>表示嵌入在高维空间中的低维特征,Y表示目标特征点xi在低维空间嵌入结果对应的向量,YT表示低维空间嵌入结果的集合对应的向量的转置,tr( )表示更新后的重构权值矩阵的迹,yj表示低维空间嵌入结果,I表示目标特征向量。
可选的,采用非线性降维的方法对特征数据进行降维处理,可以避免数据的冗余现象,并准确的拟合特征点之间的非线性结构,从而提高对带式输送机进行故障诊断的能力。
参考图6所示,对本发明的用于带式输送机的故障诊断方法的整体流程进行说明,首先通过步骤S610对采集到的数据进行预处理操作,如对采集到数据进行预加重、分帧加窗,然后通过步骤S620对数据之间表征的特征信息进行提取,并通过步骤S630利用多信息融合度量的自适应近邻和近邻优化的降维算法FM(Factorization Machine,因子分解机)-ANO(Adaptive Neighbor Optimisation,自适应近邻优化)-LLE(Locally LinearEmbedding,局部线性嵌入)对特征数据进行降维处理,通过密度度量信息与距离度量信息表征中所有特征点的结构,选取合适的特征点作为目标特征点的目标近邻点,从而获取一组与相似度最高的集合,再结合密度度量信息对确定的目标近邻点赋予权重,对目标近邻点进行优化,从而根据优化后的所有目标近邻点重构目标特征点,优化目标特征点的重构权值矩阵,通过优化后的重构权值矩阵对中的特征数据进行降维,得到目标特征向量,最后通过步骤S640将得到的目标特征向量输入到支持向量机分类器中根据数据的特征信息进行故障诊断,得到S650故障诊断结果。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种用于带式输送机的故障诊断方法,其特征在于,包括:
获取所述带式输送机采集的特征信息集合,并根据所述特征信息集合构建各特征信息间的至少两种度量信息;
结合所述至少两种度量信息构建多信息融合度量数据,并根据所述多信息融合度量数据确定所述特征信息集合中目标特征点的初始近邻点集合;
根据所述特征信息集合中各特征点的度量信息以及所述目标特征点的初始近邻点集合中预设初始近邻点的度量信息值调整度量判别信息,并根据调整后的度量判别信息与各特征点的多信息融合度量数据确定所述目标特征点的目标近邻点集合;
利用所述目标近邻点集合中各目标近邻点的度量信息对各目标近邻点进行更新,并根据更新后的所有目标近邻点对所述目标特征点进行重构,确定更新后的重构权值矩阵;
根据所述更新后的重构权值矩阵确定目标特征向量,并将所述目标特征向量输入到预训练的故障分类器中,确定所述带式输送机的故障分类结果。
2.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述度量信息包括密度度量信息;
所述根据所述特征信息集合构建各特征信息间的至少两种度量信息,包括:
确定估计核函数,并获取所述估计核函数对应的核函数带宽;
根据所述特征信息集合中各特征点、所述估计核函数以及所述核函数带宽,确定用于描述所述特征信息集合中各特征点的概率密度,将所述概率密度作为所述特征信息集合中各特征点的密度度量信息;
所述特征点的概率密度表示为:
;
其中,f(x)表示特征点x的概率密度,hD表示D维空间中的核函数带宽,n表示所述特征信
息集合中特征点的总数,h表示核函数带宽,表示核函数,xi表示目标特征点,表示为从第1个特征点至第n个特征点的加权求和。
3.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述度量信息包括距离度量信息;
所述根据所述特征信息集合构建各特征信息间的至少两种度量信息,包括:
确定目标特征点与所述特征信息集合中各特征点之间的欧几里得距离;
对所述欧几里得距离进行归一化映射处理,确定用于描述所述特征信息集合中的所述目标特征点与所述特征信息集合中各特征点的归一化线性距离,将所述归一化线性距离作为所述特征集合中各特征点之间的距离度量信息;
所述目标特征点与所述特征信息集合中各特征点的归一化线性距离表示为:
;
其中,dne(xi,xj)表示目标特征点与所述特征信息集合中各特征点之间的距离度量信息,M(i)表示目标特征点xi到所述特征信息集合中各特征点的距离总和,de(xi,xj)表示目标特征点xi和所述特征信息集合中各特征点xj之间的欧几里得距离。
4.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述度量信息包括密度度量信息和距离度量信息,所述结合所述至少两种度量信息构建多信息融合度量数据,包括:
根据所述密度度量信息与所述距离度量信息确定所述多信息融合度量数据;
所述多信息融合度量数据表示为:
de-kde(xi,xj)=dne(xi,xj)×f(xj);
其中,de-kde(xi,xj)表示所述目标特征点xi与所述特征集合中各特征点xj之间的多信息融合度量数据,dne(xi,xj)表示所述目标特征点xi与所述特征集合中各特征点xj之间的距离度量信息,f(xj)表示所述特征集合中各特征点xj的密度度量信息。
5.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述根据所述多信息融合度量数据确定所述特征信息集合中目标特征点的初始近邻点集合,包括:
获取所述特征信息集合中所有特征点与所述目标特征点之间的多信息融合度量数据以及预设的所述目标特征点的初始近邻点的个数;
根据预设的所述目标特征点的初始近邻点的个数选取对应个数的特征点作为目标近邻点的初始近邻点,得到初始近邻点集合;
其中,选取的特征点与所述目标特征点之间的多信息融合度量数据大于未被选取的特征点与所述目标特征点之间的多信息融合度量数据。
6.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述度量信息包括密度度量信息,所述根据所述特征信息集合中各特征点的度量信息以及所述目标特征点的初始近邻点集合中预设初始近邻点的度量信息值调整度量判别信息,包括:
根据所述密度度量信息确定所述特征信息集合中各特征点的密度值,并将处于所述特征信息集合中目标位置的特征点对应的密度值作为目标密度值;
当所述目标特征点的密度值小于所述目标密度值时,通过缩圈操作并根据所述目标特征点的预设初始近邻点的度量信息值调整所述度量判别信息;
当所述目标特征点的密度值大于或者等于所述目标密度值时,通过扩圈操作并根据所述目标特征点的预设初始近邻点的度量信息值调整所述度量判别信息;
通过缩圈操作调整所述度量判别信息表示为:
通过扩圈操作调整所述度量判别信息表示为:
其中,de-kdei ' 表示所述度量判别信息,de-kdei表示目标特征点xi根据预设K值所选定的所述初始近邻点集合中的第K个初始近邻点即预设初始近邻点的度量信息值,s_indexi表示样本密度ρi在密度向量ρ前50%数据中所处位置下标,s_di表示所述目标特征点xi的最大缩圈范围,k_indexi表示样本密度ρi在密度向量ρ后50%数据中所处位置下标,k_di表示目标特征点xi的最大扩圈范围,n表示所述特征信息集合中特征点的总数。
7.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述根据调整后的度量判别信息与各特征点的多信息融合度量数据确定所述目标特征点的目标近邻点集合,包括:
当所述特征信息集合中的特征点与所述目标特征点之间的多信息融合度量数据大于或等于所述调整后的度量判别信息时,将所述特征点确定为所述目标特征点的目标近邻点,得到所述目标近邻点集合。
8.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述度量信息包括密度度量信息,所述利用所述目标近邻点集合中各目标近邻点的度量信息对各目标近邻点进行更新,包括:
根据所述密度度量信息确定各所述目标近邻点的密度系数;
根据各所述目标近邻点以及与各所述目标近邻点对应的所述密度系数确定更新后的目标近邻点。
9.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述根据更新后的所有目标近邻点对所述目标特征点进行重构,确定更新后的重构权值矩阵,包括:
根据更新后的所有目标近邻点重构所述目标特征点,得到所述目标特征点更新后的重构权值矩阵;
所述重构所述目标特征点的公式为:
;
其中,xi表示目标特征点,表示所有目标近邻点的加权求和,表示xi对应的
重构权值矩阵中的元素,表示更新后的目标近邻点,表示目标近邻
点,αj表示目标近邻点的密度系数。
10.根据权利要求1所述的用于带式输送机的故障诊断方法,其特征在于,所述根据所述更新后的重构权值矩阵确定目标特征向量,包括:
将所述更新后的重构权值矩阵进行特征值分解,并根据所述特征值分解的结果确定目标特征值;
根据所述目标特征值对应的特征向量确定所述目标特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225895.4A CN116975588B (zh) | 2023-09-22 | 2023-09-22 | 用于带式输送机的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225895.4A CN116975588B (zh) | 2023-09-22 | 2023-09-22 | 用于带式输送机的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975588A true CN116975588A (zh) | 2023-10-31 |
CN116975588B CN116975588B (zh) | 2023-12-19 |
Family
ID=88485313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311225895.4A Active CN116975588B (zh) | 2023-09-22 | 2023-09-22 | 用于带式输送机的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975588B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN109492546A (zh) * | 2018-10-24 | 2019-03-19 | 广东工业大学 | 一种融合小波包与互信息的生物信号特征提取方法 |
CN109635140A (zh) * | 2018-12-14 | 2019-04-16 | 常熟理工学院 | 一种基于深度学习和密度峰值聚类的图像检索方法 |
CN110987396A (zh) * | 2019-12-13 | 2020-04-10 | 三一重型装备有限公司 | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 |
CN110991566A (zh) * | 2019-12-26 | 2020-04-10 | 东北石油大学 | 通过信息融合方式进行风力发电机故障诊断的方法和装置 |
CN111929053A (zh) * | 2020-07-07 | 2020-11-13 | 中国矿业大学 | 基于da-rvfln的气动调节阀领域适应故障诊断方法 |
CN112257585A (zh) * | 2020-10-22 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种基于概率密度的断路器状态监测方法 |
CN112584311A (zh) * | 2020-12-15 | 2021-03-30 | 西北工业大学 | 一种基于wknn融合的室内三维空间指纹定位方法 |
US20210232872A1 (en) * | 2020-01-27 | 2021-07-29 | Kla Corporation | Characterization System and Method With Guided Defect Discovery |
CN113779773A (zh) * | 2021-08-20 | 2021-12-10 | 北京工业大学 | 一种基于慢特征分析的过完备宽度学习系统的发酵过程监测方法 |
CN114118292A (zh) * | 2021-12-06 | 2022-03-01 | 东北大学 | 一种基于线性判别邻域保持嵌入的故障分类方法 |
CN114139639A (zh) * | 2021-12-06 | 2022-03-04 | 东北大学 | 一种基于自步邻域保持嵌入的故障分类方法 |
CN116560895A (zh) * | 2023-07-10 | 2023-08-08 | 太原理工大学 | 用于机械装备的故障诊断方法 |
-
2023
- 2023-09-22 CN CN202311225895.4A patent/CN116975588B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN109492546A (zh) * | 2018-10-24 | 2019-03-19 | 广东工业大学 | 一种融合小波包与互信息的生物信号特征提取方法 |
CN109635140A (zh) * | 2018-12-14 | 2019-04-16 | 常熟理工学院 | 一种基于深度学习和密度峰值聚类的图像检索方法 |
CN110987396A (zh) * | 2019-12-13 | 2020-04-10 | 三一重型装备有限公司 | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 |
CN110991566A (zh) * | 2019-12-26 | 2020-04-10 | 东北石油大学 | 通过信息融合方式进行风力发电机故障诊断的方法和装置 |
US20210232872A1 (en) * | 2020-01-27 | 2021-07-29 | Kla Corporation | Characterization System and Method With Guided Defect Discovery |
CN111929053A (zh) * | 2020-07-07 | 2020-11-13 | 中国矿业大学 | 基于da-rvfln的气动调节阀领域适应故障诊断方法 |
CN112257585A (zh) * | 2020-10-22 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种基于概率密度的断路器状态监测方法 |
CN112584311A (zh) * | 2020-12-15 | 2021-03-30 | 西北工业大学 | 一种基于wknn融合的室内三维空间指纹定位方法 |
CN113779773A (zh) * | 2021-08-20 | 2021-12-10 | 北京工业大学 | 一种基于慢特征分析的过完备宽度学习系统的发酵过程监测方法 |
CN114118292A (zh) * | 2021-12-06 | 2022-03-01 | 东北大学 | 一种基于线性判别邻域保持嵌入的故障分类方法 |
CN114139639A (zh) * | 2021-12-06 | 2022-03-04 | 东北大学 | 一种基于自步邻域保持嵌入的故障分类方法 |
CN116560895A (zh) * | 2023-07-10 | 2023-08-08 | 太原理工大学 | 用于机械装备的故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
HAI LI等: "Fault diagnosis of rolling bearing using symmetrized dot pattern and density-based clustering", 《MEASUREMENT》, vol. 152, no. 2020, pages 1 - 13 * |
刘敏 等: "基于近邻保持嵌入的卫星姿态控制系统微小故障检测", 《空间控制技术与应用》, vol. 44, no. 2, pages 42 - 48 * |
李晓昆 等: "基于改进相似模型的采煤机轴承剩余寿命预测方法", 《工矿自动化》, vol. 49, no. 5, pages 96 - 103 * |
江星星 等: "快速固有成分滤波特征融合的轴承故障诊断方法", 《机械工程学报》, vol. 58, no. 22, pages 129 - 139 * |
范春旸: "基于多源信息融合的井下皮带机驱动电机状态识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 9, pages 021 - 312 * |
Also Published As
Publication number | Publication date |
---|---|
CN116975588B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7315748B2 (ja) | データ識別器訓練方法、データ識別器訓練装置、プログラム及び訓練方法 | |
US10789696B2 (en) | Patch selection for neural network based no-reference image quality assessment | |
CN112037012A (zh) | 一种基于pso-bp神经网络的互联网金融信用评价方法 | |
CN111507469B (zh) | 对自动标注装置的超参数进行优化的方法和装置 | |
CN107241700B (zh) | 基于csi空频特性和参考点位置聚类算法的室内定位方法 | |
US6523015B1 (en) | Robust modeling | |
CN112040397B (zh) | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 | |
CN110097088A (zh) | 一种基于迁移学习与特殊点策略的动态多目标进化方法 | |
Domadia et al. | Comparative analysis of unsupervised and supervised image classification techniques | |
CN110581783A (zh) | 基于ahp和topsis的通信方案决策方法 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN115049024B (zh) | 风速预测模型的训练方法、装置、电子设备和存储介质 | |
CN114501530A (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN113472415B (zh) | 信号到达角估计方法、装置、电子设备及存储介质 | |
CN113160230A (zh) | 一种图像处理方法及装置 | |
CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN113743474A (zh) | 基于协同半监督卷积神经网络的数字图片分类方法与系统 | |
CN116933962A (zh) | 一种面向电力用户负荷特性和可调节潜力的聚类方法 | |
CN116975588B (zh) | 用于带式输送机的故障诊断方法 | |
CN114882534A (zh) | 基于反事实注意力学习的行人再识别方法、系统、介质 | |
CN112564835B (zh) | 一种基于knn和svm算法的5g无线信道多径分簇计算方法 | |
CN112668754A (zh) | 一种基于多源特征信息融合的电力设备缺陷诊断方法 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN110929611A (zh) | 一种基于pr-kelm的输电线路覆冰厚度预测模型的建模方法 | |
Kohns et al. | Decoupling shrinkage and selection for the Bayesian quantile regression |
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 |