CN116975655B - 参数生成方法、信号压缩与重构方法、系统、设备和介质 - Google Patents

参数生成方法、信号压缩与重构方法、系统、设备和介质 Download PDF

Info

Publication number
CN116975655B
CN116975655B CN202311094810.3A CN202311094810A CN116975655B CN 116975655 B CN116975655 B CN 116975655B CN 202311094810 A CN202311094810 A CN 202311094810A CN 116975655 B CN116975655 B CN 116975655B
Authority
CN
China
Prior art keywords
signal
reconstruction
sparse
fan
population
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
Application number
CN202311094810.3A
Other languages
English (en)
Other versions
CN116975655A (zh
Inventor
张鑫
徐滔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tiandong Intelligent Technology Tianjin Co ltd
Original Assignee
Tiandong Intelligent Technology Tianjin Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tiandong Intelligent Technology Tianjin Co ltd filed Critical Tiandong Intelligent Technology Tianjin Co ltd
Priority to CN202311094810.3A priority Critical patent/CN116975655B/zh
Publication of CN116975655A publication Critical patent/CN116975655A/zh
Application granted granted Critical
Publication of CN116975655B publication Critical patent/CN116975655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及信号处理技术领域，提供一种参数生成方法、信号压缩与重构方法、系统、设备和介质，参数生成方法包括：A1：获取待求解参数集；该参数集为风机信号压缩与重构过程中的参数集；A2：初始化种群；A3：评价种群适应度；A4：判断种群适应度是否满足收敛规则，如果满足，则得到最终参数集；A5：判断是否满足子群信息共享条件，如果满足，则不同子群的精英染色体进行交换；A6：对子群体的染色体进行选择交叉和/或基因变异操作，得到子代染色染；A7：在每个子群体内进行模拟退火操作，选择子代染色体，形成新的子群体；A8：重复步骤A3至步骤A7，直到得到最终参数集。本方案能够计算最优参数集，保证重构精度以及获得最优信号压缩率。

Description

参数生成方法、信号压缩与重构方法、系统、设备和介质
技术领域
本发明涉及信号处理技术领域，特别是涉及一种风机信号压缩与重构的参数生成方法、风机信号压缩与重构方法、风机信号压缩与重构系统、电子设备和计算机可读介质。
背景技术
信号的无线传输方式因为安装和维护简便，成本较低等优点已经逐渐被各个行业部署使用。但是这一技术运用到风电生产领域时又受限于电力风场恶劣的网络条件以及风机自身运行时各个部位产生的海量数据等现实问题的限制，导致风机信号的无线传输技术面临着带宽不足、实时性差的问题。
压缩感知(Compressed Seneing，CS)理论的提出，为信号的压缩传输以节省核心带宽提供了思路。风机信号压缩传输与重构是将原始信号进行稀疏变换后，通过观测矩阵将信号从原始域映射到观测域，从而实现将庞大的原始信号压缩成数据量较少的压缩信号进行传输以减少信号传输时所需的核心带宽，达到提升数据传输实时性的效果。同时在接收端对压缩信号进行重构的过程。常用的信号稀疏手段有包括固定字典和学习字典，其中固定字典虽然简单直观并且计算效率高，但由于需要大量的先验知识以及通用性差，处理复杂信号时可能会导致精度降低影响信号还原等问题，并不适用于当下风场信号无线传输方案。相应的，学习字典因为不需要大量先验知识、自适应性强并且精度高受到了越来越广泛的关注。
现有的基于学习字典的信号压缩、重构方法，需要选用已有机械信号作为样本集训练学习字典，使用字典中的若干基函数线性表示原始信号稀疏化的信号。通过在信号的稀疏表示域中进行采样，使用测量矩阵对稀疏信号进行投影，得到压缩信号。待接收端接收到压缩数据后对压缩数据进行重构。现有的方法贯穿信号稀疏化表示、信号压缩、信号重构的过程需要设置大量参数。现有设置参数的手段主要依赖经验值，但由于参数复杂多样，取值范围广，因此依赖经验获得的参数值可能不是最优值。参数的设置不仅影响着信号重构的精度，同时也影响着信号压缩率的大小。
因此，为了克服现有技术方案中因人工设置参数导致的难以得到最优参数集，从而影响信号压缩与重构的精度与信号压缩率的问题，亟需开发一种风机信号压缩与重构的参数生成方法、风机信号压缩与重构方法、风机信号压缩与重构系统、电子设备和计算机可读介质，能够根据信号自身以及压缩感知理论进行参数全局寻优，保证重构精度以及获得最优信号压缩率。
发明内容
本发明的目的是提供一种风机信号压缩与重构的参数生成方法、风机信号压缩与重构方法、风机信号压缩与重构系统、电子设备和计算机可读介质，能够解决现有技术方案中因人工设置参数导致的难以得到最优参数集，从而影响信号压缩与重构的精度与信号压缩率的问题，实现根据信号自身以及压缩感知理论进行参数全局寻优，保证重构精度以及获得最优信号压缩率。
为解决上述技术问题，作为本发明的一个方面，提供了一种风机信号压缩与重构的参数生成方法，包括以下步骤：
A1：获取待求解参数集；该参数集为风机信号压缩与重构过程中的参数集；
A2：初始化多个子群体，每个子群体包括多个染色体，每个染色体对应一个参数集，一个子群体对应一个种群；
A3：评价种群适应度；
A4：判断种群适应度是否满足收敛规则，如果满足，则得到最终参数集；否则进行步骤A5；
A5：判断是否满足子群信息共享条件，如果满足，则不同子群的精英染色体进行交换；
A6：对子群体的染色体进行选择交叉和/或基因变异操作，得到子代染色体；
A7：在每个子群体内进行模拟退火操作，选择子代染色体，形成新的子群体；
A8：重复步骤A3至步骤A7，直到得到最终参数集。
根据本发明一示例实施方式，步骤A1中，所述参数集内的参数包括生成稀疏字典的参数、压缩风机信号的参数、重构压缩信号的参数。
根据本发明一示例实施方式，所述生成稀疏字典的参数包括字典列数、稀疏度、学习迭代次数；所述压缩风机信号的参数包括测量矩阵行数；所述重构压缩信号的参数包括信号重构迭代次数。
根据本发明一示例实施方式，步骤A3中，所述评价种群适应度的方法采用如下公式：
其中，F表示适应度，F*表示初始适应度函数，ω1、ω2、ω3、ω4分别对应各自的实际权重配比，/>为权重向量集，表征适应度函数各指标权重；f1表示当前重构信号与原信号间归一化均方根误差的实际值，f1 *表示理想情况下重构信号与原信号归一化均方根误差取值；f2表示当前重构信号与原信号相似度的实际取值，/>表示理想情况下重构信号与原信号相似度值；f3表示当前重构信号与原信号实际压缩比，/>表示理想情况下重构信号与原信号压缩比值；f4表示当前重构信号与原信号相关系数的实际取值，/>表示理想情况下重构信号与原信号归一化相关系数值。
根据本发明一示例实施方式，所述初始适应度函数由原始风机信号与重构信号的归一化均方根误差、相似度、信号的压缩比、原始风机信号与重构信号的相关系数得到。
根据本发明一示例实施方式，步骤A7还包括：形成新的子群体后进行退温操作。
根据本发明一示例实施方式，退温操作时，如果当前温度低于最低温度，则令当前温度等于最低温度，否则根据初始温度和降温系数得到当前温度。
作为本发明的第二个方面，本发明提供一种风机信号压缩与重构方法，包括如下步骤：
S1：发送端生成稀疏字典；
S2：根据稀疏字典稀疏化原始风机信号得到稀疏信号；利用高斯随机矩阵生成测量矩阵；使用测量矩阵对稀疏信号进行投影，得到压缩信号；
S3：将压缩信号传输至接收端；
S4：接收端将压缩信号重构成稀疏信号；稀疏信号根据稀疏字典得到重构信号；
步骤S1、步骤S2和步骤S4的过程中，所需的参数集根据所述风机信号压缩与重构的参数生成方法得到。
根据本发明的第三个方面，本发明提供一种风机信号压缩与重构系统，其特征在于，包括发送端、传输装置、接收端和参数生成模块；
所述发送端用于生成稀疏字典；根据稀疏字典稀疏化原始风机信号得到稀疏喜欢；利用高斯随机矩阵生成测量矩阵；使用测量矩阵对稀疏信号进行投影，得到压缩信号；
所述传输装置设置在发送端和接收端之间，用于将发送端的信号传输至接收端；
所述接收端用于将压缩信号重构成稀疏信号；稀疏信号根据稀疏字典得到重构信号；
参数生成模块与发送端和接收端连接，用于生成风机信号压缩与重构所需的参数集。
根据本发明一示例实施方式，所述参数生成模块根据所述风机信号压缩与重构的参数生成方法生成最终参数集。
作为本发明的第四个方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述风机信号压缩与重构的参数生成方法。
作为本发明的第五个方面，本发明提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现所述风机信号压缩与重构的参数生成方法。
本发明的有益效果是：
本发明通过多种群思想的遗传算法和模拟退火思想在全局寻找最优改进，不需要人工设置参数，避免了复杂参数手动设置对信号压缩与重构的精度影响以及压缩率降低的问题。本发明可以使用根据信号自身以及压缩感知理论进行参数全局寻优，能够在保证重构精度并且获得最优信号压缩率。
附图说明
图1示意性示出了风机信号压缩与重构的参数生成方法的步骤图。
图2示意性示出了风机信号压缩与重构的参数生成方法的流程图。
图3示意性示出了风机信号压缩与重构系统的结构图。
图4示意性示出了风机信号压缩与重构方法的步骤图。
图5示意性示出了风机信号压缩与重构方法的实现过程示意图。
图6示意性示出了实测齿轮箱振动信号的时域图。
图7示意性示出了原始风机信号与重构信号时域对比图。
图8示意性示出了原始风机信号与重构信号频域对比图。
图9示意性示出了一种电子设备的结构图。
图10示意性示出了一种计算机可读介质的结构图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、材料等。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明的各方面。
本例仅是本发明的一部分实施例，但本发明的保护范围并不局限于此。本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都应涵盖在本发明的保护范围之内。
作为本发明的第一个实施方式，提供一种风机信号压缩与重构的参数生成方法。现有技术在风机信号压缩与重构的计算中，所需的参数大多依靠个人经验进行手工设置，本方案采用SA-MPGA(Simulating Annealing and Multiple Population GeneticAlgorithm，模拟退火多种群遗传)算法自动设置参数。SA-MPGA是一种基于多种群和模拟退火算法改进的遗传算法，该算法结合了模拟退火算法的全局搜索能力和多种群遗传算法的局部搜索能力，用于解决复杂的优化问题，可在自动选取最优参数集的时候有效避免传统遗传算法可能出现的容易陷入局部最优解的问题。将遗传算法中的种群划分为多个子群，每个子群独立进行进化，种群间进行信息交流和共享。在进化的过程中，引入模拟退火策略，接受一定概率下的劣解，以克服局部最优解的困扰。
如图1和图2所示，本实施方式提供的参数生成方法包括以下步骤：
A1：获取待求解参数集；该参数集为风机信号压缩与重构过程中的参数集。
参数集内的参数包括生成稀疏字典的参数、压缩风机信号的参数、重构压缩信号的参数。
生成稀疏字典的参数包括字典列数L、稀疏度M、学习迭代次数it_1；压缩风机信号的参数包括测量矩阵行数；重构压缩信号的参数包括信号重构迭代次数。
风机信号压缩与重构过程中主要有三个模块，分别是过完备学习字典训练生成模块(即稀疏字典生成模块)、风机信号压缩模块和压缩信号重构模块。
稀疏字典生成模块生成稀疏字典所涉及的参数有：字典列数L、稀疏度K、学习迭代次数it_1。这三个参数影响着字典稀疏化表示风机信号的精度、字典训练生成传输消耗资源。
风机压缩信号模块在压缩风机信号的过程中所涉及的参数有：测量矩阵行数M。稀疏信号需经过测量矩阵投影测量获取压缩信号。测量矩阵的行数在数值上等于信号压缩后的数据长度。压缩率和信号重构的精度受测量矩阵行数取值的制约。根据压缩感知原理，M的取值需满足N表示原始信号长度，K表示信号稀疏化后的稀疏度。
压缩信号重构模块重构压缩信号所涉及的参数有：信号重构迭代次数it_2。在执行OMP算法重构原始信号时需预先对OMP算法设置迭代次数。过高的迭代次数会造成资源浪费。OMP(Orthogonal Matching Pursuit)即为正交匹配追踪算法。
风机信号包括风机状态的信号。所述风机状态的信号包括但不限于风机齿轮箱振动信号、压缩重构倾角信号、轴承振动信号。
A2：初始化多个子群体，每个子群体包括多个染色体，每个染色体对应一个参数集，一个子群体对应一个种群。
初始化种群的过程中，按照一定的染色体个数为每个子群体生成初始种群。设置初始温度T0，降温系数ΔT。设定群体与编码方案，选择编码方案是实数编码，参数集用数字串表示，每个数字串为一个染色体。Ci R×U＝{c1,c2,…,cU}表示第i个子群，R表示子群中参数的个数，U表示子群众染色体的个数，例如，子群中第一个参数集(染色体)为cl(L、K、it_1、M、it_2)；其中，L为字典列数字，K为稀疏度，it_1为学习迭代次数，M为测量矩阵行数，it_2为信号重构迭代次数。
种群表示一个种群中包含若干染色体，用于遗传迭代。染色体为遗传算法中表明一个参数集选取的结果，每个参数取值综合形成一个染色体，又叫个体。
A3：评价种群适应度。
适应度：在本方案中用于衡量种群中个体优劣的指标，由信号相关性、重构信号均方根误差、信号压缩率、相似度等若干指标构成。
评价种群适应度，通过计算出种群适应度值而进行评价。
种群适应度值是将参数集设置完成后进行信号压缩与重构，然后根据适应度函数计算出来的适应度值。本方案中，适应度越小表明参数设置越优。
评价种群适应度的方法采用如下公式：
其中，F表示适应度，F*表示初始适应度函数，ω1、ω2、ω3、ω4分别对应各自的实际权重配比，均为常数，/>为权重向量集，表征适应度函数各指标权重；f1表示当前重构信号与原信号间归一化均方根误差的实际值，f1 *表示理想情况下重构信号与原信号归一化均方根误差取值；f2表示当前重构信号与原信号相似度的实际取值，/>表示理想情况下重构信号与原信号相似度值；f3表示当前重构信号与原信号实际压缩比，f3 *表示理想情况下重构信号与原信号压缩比值；f4表示当前重构信号与原信号相关系数的实际取值，/>表示理想情况下重构信号与原信号归一化相关系数值。
初始适应度函数由原始风机信号与重构信号的归一化均方根误差、相似度、信号的压缩比、原始风机信号与重构信号的相关系数得到。
归一化均方根误差：
其中，f1表示当前重构信号与原信号间归一化均方根误差的实际值，fi表示原始信号第i个数据的值；N表示原始信号长度；表示重构信号第i个数据的值；/>表示原始信号平均值。
相似度：
其中，f2表示当前重构信号与原信号相似度的实际取值，fi表示原始信号第i个数据的值；N表示原始信号长度；表示重构信号第i个数据的值。
压缩比：
其中，f3表示当前重构信号与原信号实际压缩比，N表示原始信号长度，M表示压缩信号长度。
相关系数：
其中，f4表示当前重构信号与原信号相关系数的实际取值，N表示原始信号长度，σf表示原始信号标准差；表示重构信号标准差；fi表示原始信号第i个数据的值；/>表示重构信号第i个数据的值；/>表示原始信号平均值。
这四个指标所对应的取值范围和评判标准不同，因此求各个指标与理想情况下最优指标值的差值绝对值，并进行归一化处理后设置不同权重值进而得到最终的适应度函数F，由适应度函数F求解得到适应度值。这里适应度共参考四个指标，在函数上表示为f1～f4，每个指标跟理想下(理想状况下就是实现一种无损压缩和重构，重构出来的信号与原信号相同，并且压缩率最大)的各指标(就是)差值绝对值，再根据设置的权重给每个指标乘上权重得到最终的适应度大小。ω1、ω2、ω3、ω4表示权重，均为常数。
A4：判断种群适应度是否满足收敛规则，如果满足，则得到最终参数集；否则进行步骤A5。
收敛规则为种群中有染色体满足指定的适应度阈值或种群达到预设迭代次数。
A5：判断是否满足子群信息共享条件，如果满足，则不同子群的精英染色体进行交换。
根据子群每次迭代基因交流的概率得到每次子群信息共享的概率，概率小于指定阈值即满足子群信息共享条件。
子群每次迭代基因交流的概率：式中，/>表示精英染色体本次迭代适应度值；/>表示精英染色体上次迭代适应度值。子群每次迭代基因交流的概率，是不同子群间染色体的交换规则，按照上次迭代的子群最优适应度值和本次迭代的种群最优适应度值计算出子群间基因交流的概率，也就是信息共享的概率。
比如本次计算的P取值为0.3，那么本次子群信息共享的概率就是0.3，体现到代码上就是生成一个0-1之间的随机数，如果这个数大于0.3就不共享，小于0.3就共享。
精英染色体是每个子群众适应度最低的染色体，用于不同子群间的交换，交换精英染色体有利于提升优良基因。
在实际应用中，可以根据情况将判断是否满足子群信息共享条件放在变异之后。
A6：对每个子群的染色体进行选择交叉和/或基因变异操作，得到子代染色体。
优选地，对每个子群体的染色体先进行选择交叉，后进行基因变异，之后根据模拟退火算法替换旧个体选择子代。
对于子群内的染色体，子群中的染色体按照提前设定的交叉概率(0-1之间的实数)进行交叉，对每个染色体的基因按照变异概率(也是提前设定，取值在0-1一般取值为一个较小实数)进行基因突变。选择交叉相当于选择两个染色体(父体和母体)进行交叉繁衍，适应度好的就会不断进化繁衍，但是选择交叉并不能产生新的基因，因此需要有部分染色体进行变异。进行变异的基因为随机选择。
通过评价种群适应度，根据适应度计算染色体，适应度越小，说明适应度越好，基因越优良，越有可能产生子代。
基因：在本方案中基因代表的就是相应位置参数的取值。
交叉：两个染色体通过基因交叉的方式生成子代。
变异：为引入新的参数值，在算法中允许一定概率使原本的基因取值发生改变，这种改变就叫变异。
A7：在每个子群体内进行模拟退火操作，选择子代染色体，形成新的子群体。
退火操作的过程中，允许选择较差解的子代染色体，即接受较差解的概率跳出局部最优。式中，P表示子代染色体替代父染色体的概率，df表示交叉产生的子代染色体和父染色体适应度函数差值，如果表示子代染色体的基因比父染色体基因优良，则子染色体替换父染色体的概率为1，反之则根据当前温度计算可能被替换的概率。T表示当前温度。在这个过程中允许较差解的子染色体。
退火操作的过程中，接受一定的劣质基因，在循环的初始阶段接受的劣质基因多一些，使得越往后繁衍能接受优良基因的可能性越大。
退火操作时，需要确认退火的温度。判断当前温度是否小于最低温度Tend，如果小于最低温度Tend，则令当前温度等于最低温度，否则根据初始温度和降温函数确定当前温度，当前温度：Ti＝ΔT×Ti-1。其中，初始温度T0，降温系数ΔT，Ti表示第i次迭代的温度；Ti-1表示第i-1次迭代的温度。从初始温度开始，下一次迭代会根据降温系数确定当前温度。如果初始温度是T0＝500，那循环一次的温度就是T1＝降温系数×T0，循环第二次的温度就是T2＝降温系数×T1。迭代就是子群每次繁衍进化的过程，一次迭代也就是循环一次。
形成新的子群体后进行退温操作。子染色体形成后根据当前温度计算接纳子染色体的概率，在下一次计算接纳子染色体概率前完成退温操作。退温算法将温度下降，增加适应度，适应度的占比越大，选择的染色体越靠近精英染色体。退温后，接纳新的子群体，进行下一次的循环。
A8：重复步骤A3至步骤A7，直到得到最终参数集。
完成一次步骤A3至步骤A7为一次循环，即为一次迭代。
通过本方案的多种群思想的遗传算法和模拟退火思想在全局寻找最优改进，不需要人工设置参数，避免了复杂参数手动设置对信号压缩与重构的精度影响以及压缩率降低的问题。本方案可以使用根据信号自身以及压缩感知理论进行参数全局寻优，能够在保证重构精度并且获得最优信号压缩率。本方案是采用遗传算法和模拟退火思想的两种算法进行结合，如果只用一种算法容易使算法陷入局部最优解情况从而导致无法得到全局最优解，参数集的设置可能不是最优情况。退火思想通过接受一定程度的劣解，可以在搜索过程中跳出局部最优解，从而有更大概率找到全局最优解。而多种群策略可以同时进行多个搜索，避免陷入局部最优解，增加全局搜索的可能性。
压缩感知理论：一种寻找欠定线性系统的稀疏解的技术。如果信号是稀疏的，那么它可以由远低于采样定理要求的采样点重建恢复。
作为本发明的第二个实施方式，提供一种风机信号压缩与重构系统，如图3所示，其特征在于，包括发送端、传输装置、接收端和参数生成模块。
发送端设置在风机附近，用于生成稀疏字典；根据稀疏字典稀疏化原始风机信号得到稀疏喜欢；利用高斯随机矩阵生成测量矩阵；使用测量矩阵对稀疏信号进行投影，得到压缩信号。
传输装置设置在发送端和接收端之间，用于将发送端的信号传输至接收端。传输装置为无线传输装置。传输装置采用基于MQTT协议的传输机制，传输机制可靠。MQTT协议：一种构建于TCP/IP协议上的基于发布/订阅模式的轻量级通讯协议。
接收端用于将压缩信号重构成稀疏信号；稀疏信号根据稀疏字典得到重构信号。
参数生成模块与发送端和接收端连接，用于生成风机信号压缩与重构所需的参数集。参数生成模块根据第一个具体的实施方式的风机信号压缩与重构的参数生成方法生成最终参数集。
作为本发明的第三个实施方式，提供一种风机信号压缩与重构方法，采用第二个实施方式的风机信号压缩与重构系统。本方法首先通过K-奇异值分解(K-Singular ValueDecomposition，K-SVD)学习算法训练生成稀疏字典，再利用稀疏字典稀疏化原始信号得到稀疏信号。采用高斯随机矩阵生成测量矩阵，使用测量矩阵对稀疏信号进行投影，得到压缩信号。经由无线传输方式将压缩信号传输至接收端，并在接收侧采用基于正交匹配追踪算法(Orthogonal Matching Pursuit，OMP)将压缩信号重构成稀疏信号，再次经由学习字典得到重构信号。
如图4和图5所示，风机信号压缩与重构方法包括如下步骤：
S1：发送端生成稀疏字典。
稀疏字典基于K-SVD学习算法训练生成。字典：将非稀疏信号转化为稀疏信号的变换域，一般用二维矩阵表示，按字典生成方式分为固定字典和学习字典。稀疏字典包括完备字典和过完备字典，完备字典的列数等于行数，过完备字典的列数大于行数。
稀疏字典的生成包括：获取风机信号样本集，初始化过完备字典，进行K-SVD字典训练，字典原子选择，得到完备字典。
将原始风机信号按照既定长度N分成若干列形成训练样本集
其中s表示样本集，样本集里面有很多实数，每个x是一个实数，s是一个N行P列的二维矩阵，N和P均为自然数。
在样本集中选出L列信号段(N≤L＜P)，初始化学习字典D0。设置参数：稀疏度K，迭代次数it_1以及最大容许误差ε。将上述参数设置好后选取K-SVD算法进行迭代训练至满足条件后得到训练生成的学习字典D。学习字典用于后续风机信号的稀疏化表示。
S2：根据稀疏字典稀疏化原始风机信号得到稀疏信号；利用高斯随机矩阵生成测量矩阵；使用测量矩阵对稀疏信号进行投影，得到压缩信号。
由步骤S1中生成的学习字典D，若L＞N则过完备学习字典D中选取与原始信号最大互相关性的N列原子对风机信号进行稀疏化表示。原子表示选择稀疏字典矩阵的N列数据稀疏化信号。
为了重构稀疏信号，测量矩阵Φ的选取需满足约束等距性条件，即对任意的稀疏信号存在一个常数0＜δ＜1满足/>一般来说高斯随机矩阵能够满足这一性质，并且高斯随机矩阵构建相对简单，时间复杂性相对较低，因此选用高斯随机矩阵生成测量矩阵。
在生成测量矩阵时需给定矩阵行数M、列数N，其中M和N均为自然数。列数同步骤S1中长度N相同，M为需设置的参数。测量矩阵：用于投影，观测稀疏信号。Φ代表观测矩阵，表示矩阵各个位置的取值，是矩阵的一种表达方式。/>表示矩阵服从高斯随机矩阵，s.t.是公式中的写法表示受后面内容的约束。上述公式表示的是矩阵服从高斯随机矩阵生成。
由生成的测量矩阵进行投影观测，将原始风机信号长度为N的风机信号压缩为长度为M的压缩信号。
S3：将压缩信号传输至接收端。
传输装置将压缩信号通过无线方式传输至接收端。
S4：接收端将压缩信号重构成稀疏信号；稀疏信号根据稀疏字典得到重构信号。
稀疏信号的稀疏度K和步骤S1的相同，测量矩阵Φ和步骤S2的相同，初始估计稀疏系数向量为零向量，y为接收到的压缩信号。此过程需要设置的参数为：信号重构迭代次数it_2。
将压缩信号重构成稀疏信号采用OMP算法，先通过多次迭代再进行重构操作得到，迭代步骤为：
S41：计算残差：表示当前重构信号与观测结果的误差。
S42：寻找最相关的原子：从残差中选择与残差最相关的列向量，也就是与残差内积绝对值最大的列向量。
S43：更新估计：将选中的列向量添加到估计的稀疏系数向量中。
S44：重复步骤S41至步骤S43，直到满足终止条件则终止循环，终止条件为达到预设的稀疏度K。
终止循环后，最终得到稀疏系数向量可通过观测矩阵Φ和压缩信号重构原始信号。
OMP算法的优点包括：简单而高效、可用于实时处理，由于算法的高效性，OMP算法可以应用于实时信号处理和实时数据恢复。OMP(Orthogonal Matching Pursuit)即为正交匹配追踪算法。
步骤S1、步骤S2和步骤S4的过程中，所需的参数集根据第一个具体实施方式的风机信号压缩与重构的参数生成方法得到。
采用本方案的方法，对河北某风场实测风机齿轮振动信号进行压缩重构。振动信号的采样频率为16384HZ，采样时间为8s，采样点数为1131072。
如图6所示，图6为齿轮振动信号时域图。随机选取一个振动数据在时域上连续的1000个原始振动信号与重构信号的数据，对比两信号在时域以及频域上的重构精度。如图7和图8所示，从上述图中可以比较直观的看到重构信号可以精准还原原始信号并且几乎不丢失原始信号在时域及频域上的特征。
由此可以看出，本方案在不需要人工设置的情况下，自适应设置参数，基于MQTT协议的可靠传输机制，基于模拟退火思想和多种群思想的遗传算法全局寻优的改进，基于改进遗传算法的全局参数集寻优，避免了复杂参数手动设置对信号压缩与重构的精度影响以及压缩率降低的问题。可以使用根据信号自身以及压缩感知理论进行参数全局寻优，能够在保证重构精度并且获得最优信号压缩率。
根据本发明的第四个具体实施方式，本发明提供一种电子设备，如图9所示，图9是根据一示例性实施例示出的一种电子设备的框图。
下面参照图9来描述根据本申请的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元410)的总线930、显示单元940等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书中描述的根据本申请各种示例性实施方式的步骤。例如，所述处理单元910可以执行第一个具体实施方式所示的步骤。
所述存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
所述存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备900’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备900交互的设备通信，和/或该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器460可以通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。
因此，根据本发明的第五个具体实施方式，本发明提供一种计算机可读介质。如图10所示，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现第一个实施方式的功能。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (8)

1.一种风机信号压缩与重构的参数生成方法，其特征在于，包括以下步骤：
A1：获取待求解参数集；该参数集为风机信号压缩与重构过程中的参数集；所述参数集内的参数包括生成稀疏字典的参数、压缩风机信号的参数、重构压缩信号的参数；
A2：初始化多个子群体，每个子群体包括多个染色体，每个染色体对应一个参数集，一个子群体对应一个种群；
A3：评价种群适应度；
A4：判断种群适应度是否满足收敛规则，如果满足，则得到最终参数集；否则进行步骤A5：
A5：判断是否满足子群信息共享条件，如果满足，则不同子群的精英染色体进行交换；
A6：对子群体中的染色体进行选择交叉和/或基因变异操作，得到子代染色体；
A7：在每个子群体内进行模拟退火操作，选择子代染色体，形成新的子群体；
A8：重复步骤A3至步骤A7，直到得到最终参数集；
步骤A3中，所述评价种群适应度的方法采用如下公式：
其中，F表示适应度函数，F*表示初始适应度函数，ω1、ω2、ω3、ω4分别对应各自的实际权重配比，/>为权重向量集，表征适应度函数各指标权重；f1表示当前重构信号与原信号间归一化均方根误差的实际值，f1 *表示理想情况下重构信号与原信号归一化均方根误差取值；f2表示当前重构信号与原信号实际相似度的取值，/>表示理想情况下重构信号与原信号相似度值；f3表示当前重构信号与原信号实际压缩比，/>表示理想情况下重构信号与原信号压缩比值；f4表示当前重构信号与原信号相关系数的实际取值，/>表示理想情况下重构信号与原信号归一化相关系数值；
初始适应度函数由原始风机信号与重构信号的归一化均方根误差、相似度、信号的压缩比、原始风机信号与重构信号的相关系数得到。
2.根据权利要求1所述的风机信号压缩与重构的参数生成方法，其特征在于，所述生成稀疏字典的参数包括字典列数、稀疏度、学习迭代次数；所述压缩风机信号的参数包括测量矩阵行数；所述重构压缩信号的参数包括信号重构迭代次数。
3.根据权利要求1所述的风机信号压缩与重构的参数生成方法，其特征在于，步骤A7还包括：形成新的子群体后进行退温操作。
4.根据权利要求3所述的风机信号压缩与重构的参数生成方法，其特征在于，
退温操作时，如果当前温度低于最低温度，则令当前温度等于最低温度，否则根据初始温度和降温系数得到当前温度。
5.一种风机信号压缩与重构方法，其特征在于，包括如下步骤：
S1：发送端生成稀疏字典；
S2：根据稀疏字典稀疏化原始风机信号得到稀疏信号；利用高斯随机矩阵生成测量矩阵；使用测量矩阵对稀疏信号进行投影，得到压缩信号；
S3：将压缩信号传输至接收端；
S4：接收端将压缩信号重构成稀疏信号；稀疏信号根据稀疏字典得到重构信号；
步骤S1、步骤S2和步骤S4的过程中，所需的参数集根据权利要求1-4中任一项所述的风机信号压缩与重构的参数生成方法得到。
6.一种风机信号压缩与重构系统，其特征在于，包括：发送端、传输装置和接收端；
所述发送端用于生成稀疏字典；根据稀疏字典稀疏化原始风机信号得到稀疏信号；利用高斯随机矩阵生成测量矩阵；使用测量矩阵对稀疏信号进行投影，得到压缩信号；
所述传输装置设置在发送端和接收端之间，用于将发送端的信号传输至接收端；
所述接收端用于将压缩信号重构成稀疏信号；稀疏信号根据稀疏字典得到重构信号；
参数生成模块与发送端和接收端连接，用于生成风机信号压缩与重构所需的参数集，所需的参数集根据权利要求1-4中任一项所述的风机信号压缩与重构的参数生成方法得到。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的风机信号压缩与重构的参数生成方法。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的风机信号压缩与重构的参数生成方法。
CN202311094810.3A 2023-08-29 2023-08-29 参数生成方法、信号压缩与重构方法、系统、设备和介质 Active CN116975655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311094810.3A CN116975655B (zh) 2023-08-29 2023-08-29 参数生成方法、信号压缩与重构方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311094810.3A CN116975655B (zh) 2023-08-29 2023-08-29 参数生成方法、信号压缩与重构方法、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN116975655A CN116975655A (zh) 2023-10-31
CN116975655B true CN116975655B (zh) 2024-04-05

Family

ID=88476696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311094810.3A Active CN116975655B (zh) 2023-08-29 2023-08-29 参数生成方法、信号压缩与重构方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN116975655B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630380A (zh) * 2009-07-08 2010-01-20 西安电子科技大学 基于多种群进化机制的作业车间调度方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105743510A (zh) * 2016-02-03 2016-07-06 南京邮电大学 一种基于稀疏字典无线传感器网络WSNs信号处理的方法
CN106127332A (zh) * 2016-06-20 2016-11-16 上海交通大学 基于最优空间匹配的基站资源配置与规划方法
CN113762811A (zh) * 2021-11-08 2021-12-07 武汉科技大学 一种考虑加班的无拖期Job Shop调度问题求解方法及系统
CN115221770A (zh) * 2021-04-16 2022-10-21 湖南师范大学 一种基于精英种群遗传算法的电力信息系统迁移方法
CN116258357A (zh) * 2023-05-16 2023-06-13 中国人民解放军国防科技大学 一种基于多基因遗传算法的异构无人机协同目标分配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630380A (zh) * 2009-07-08 2010-01-20 西安电子科技大学 基于多种群进化机制的作业车间调度方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105743510A (zh) * 2016-02-03 2016-07-06 南京邮电大学 一种基于稀疏字典无线传感器网络WSNs信号处理的方法
CN106127332A (zh) * 2016-06-20 2016-11-16 上海交通大学 基于最优空间匹配的基站资源配置与规划方法
CN115221770A (zh) * 2021-04-16 2022-10-21 湖南师范大学 一种基于精英种群遗传算法的电力信息系统迁移方法
CN113762811A (zh) * 2021-11-08 2021-12-07 武汉科技大学 一种考虑加班的无拖期Job Shop调度问题求解方法及系统
CN116258357A (zh) * 2023-05-16 2023-06-13 中国人民解放军国防科技大学 一种基于多基因遗传算法的异构无人机协同目标分配方法

Also Published As

Publication number Publication date
CN116975655A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN112241455B (zh) 基于多层级知识蒸馏预训练语言模型自动压缩方法及平台
WO2019055843A1 (en) ERROR CORRECTION WITHOUT MODEL ADAPTED TO THE DEVICE IN QUANTUM PROCESSORS
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
CN110264012B (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
Oudelha et al. HMM parameters estimation using hybrid Baum-Welch genetic algorithm
CN113516248B (zh) 一种量子门测试方法、装置及电子设备
KR102592585B1 (ko) 번역 모델 구축 방법 및 장치
JP7381814B2 (ja) マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム
US20210294874A1 (en) Quantization method based on hardware of in-memory computing and system thereof
CN115311515B (zh) 混合量子经典的生成对抗网络的训练方法及相关设备
CN116702831A (zh) 一种考虑数据大量丢失的混合短期风电功率预测方法
Kundu et al. Bmpq: bit-gradient sensitivity-driven mixed-precision quantization of dnns from scratch
CN116975655B (zh) 参数生成方法、信号压缩与重构方法、系统、设备和介质
CN116862080B (zh) 一种基于双视角对比学习的碳排放预测方法及系统
CN113611354A (zh) 一种基于轻量级深度卷积网络的蛋白质扭转角预测方法
CN111831955A (zh) 一种锂离子电池剩余寿命预测方法及系统
CN116859140A (zh) 基于云边协同的非侵入式负荷监测数据在线压缩感知方法
CN115982575A (zh) 滚动轴承故障诊断方法、装置、电子设备和可读存储设备
US20230038047A1 (en) Method, device, and computer program product for image recognition
Liang et al. Exploiting noise correlation for channel decoding with convolutional neural networks
Liao et al. Structured neural network with low complexity for MIMO detection
CN115365779A (zh) 燃料电池的装配方法、装配装置及装配设备
CN114970837B (zh) 面向电力物联网的doa估计方法、装置和存储介质

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