CN117036732A - 一种基于融合模型的机电设备检测系统、方法及设备 - Google Patents

一种基于融合模型的机电设备检测系统、方法及设备 Download PDF

Info

Publication number
CN117036732A
CN117036732A CN202310988070.1A CN202310988070A CN117036732A CN 117036732 A CN117036732 A CN 117036732A CN 202310988070 A CN202310988070 A CN 202310988070A CN 117036732 A CN117036732 A CN 117036732A
Authority
CN
China
Prior art keywords
model
detection
motor
data
fusion
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
Application number
CN202310988070.1A
Other languages
English (en)
Other versions
CN117036732B (zh
Inventor
陈礼革
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.)
Shenzhen Tongxin Technology Co ltd
Original Assignee
Shenzhen Tongxin Technology 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 Shenzhen Tongxin Technology Co ltd filed Critical Shenzhen Tongxin Technology Co ltd
Priority to CN202310988070.1A priority Critical patent/CN117036732B/zh
Publication of CN117036732A publication Critical patent/CN117036732A/zh
Application granted granted Critical
Publication of CN117036732B publication Critical patent/CN117036732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及数据融合技术领域，揭露了一种基于融合模型的机电设备检测系统、方法及设备。该系统中包括特征提取模块、设备检测模型生成模块、模型权重计算模块、模型融合模块及设备检测模块，提取机电设备的图像特征和运行特征，根据图像特征生成电机检测模型，根据运行特征中的传感器数据生成传感器检测模型，根据运行特征中的电气数据生成机电设备异常检测模型；计算电机检测模型、传感器检测模型及机电设备异常检测模型的模型权重，根据模型权重将电机检测模型、传感器检测模型及机电设备异常检测模型进行模型融合；利用检测融合模型对机电设备的实时运行数据进行检测，得到设备检测状态。本发明可以提高机电设备检测时的准确度。

Description

一种基于融合模型的机电设备检测系统、方法及设备
技术领域
本发明涉及数据融合技术领域，尤其涉及一种基于融合模型的机电设备检测系统、方法及设备。
背景技术
近年来，现代化工业设备在转型提升过程中朝着自动化、网络化和智能化的方向发展的同时，导致现代化工业设备的复杂度和耦合度的提高，一旦发生故障，会对设备生产带来很大的危害，因此，需要对机电设备的各个方面都进行准确的检测，以提高机电设备检测的全面性。
现有的机电设备检测技术是通过机电设备的传感器或仪表测量设备的各种物理指标，通过对物理指标进行实时监测和分析，检测出设备的状态变化和异常情况。实际应用中，对机电设备的检测仅考虑基于传感器或仪表检测设备的状态变化，可能导致对机电检测不具有全面性，从而导致对进行机电设备检测时的准确度较低。
发明内容
本发明提供一种基于融合模型的机电设备检测系统、方法及设备，其主要目的在于解决进行机电设备检测时的准确度较低的问题。
为实现上述目的，本发明提供的一种基于融合模型的机电设备检测系统，包括特征提取模块、设备检测模型生成模块、模型权重计算模块、模型融合模块及设备检测模块，其中，
所述特征提取模块，用于采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征；
所述设备检测模型生成模块，用于根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型；
所述模型权重计算模块，用于利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重，其中所述利用预设的层次权重算法计算所述电机检测模型的电机模型权重，具体用于：
统计所述电机检测模型对应的训练数据集的训练错误数量；
初始化所述电机检测模型对应的训练数据集的特征层次权重；
利用所述层次权重算法根据所述训练错误数量及所述特征层次权重计算所述电机检测模型的电机模型权重，其中所述层次权重算法为：
其中，α1为所述电机模型权重，D为权重优化因子，ln为对数函数，n为所述训练错误数量，θk为所述训练数据集中第k个训练数据的特征层次权重，m为所述训练数据集中训练数据的数量；
所述模型融合模块，用于通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型；
所述设备检测模块，用于获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
可选地，所述特征提取模块在通过预设的异化特征算法提取所述运行数据的运行特征时，具体用于：
对所述运行数据进行数据增强处理，得到增强运行数据；
利用预设的窗函数提取所述增强运行数据的时域特征；
利用预设的傅里叶变换算法提取所述增强运行数据的频域特征；
通过预设的异化特征算法根据所述时域特征及所述频域特征确定所述运行特征，其中所述异化特征算法为：
其中，G为所述运行特征，γ为特征控制因子，δi为第i个运行数据的时域特征，为第i个运行数据的频域特征。
可选地，所述设备检测模型生成模块在根据所述图像特征及预设的向量机模型生成电机检测模型时，具体用于：
对所述图像特征进行状态类别标记，得到图像类别特征；
将所述图像类别特征转换为类别特征向量；
将所述图像特征及所述类别特征向量进行拼接，得到电机图像数据集；
利用所述电机图像数据集对所述向量机模型进行训练，得到双维超平面；
根据所述双维超平面生成所述电机检测模型，其中所述电机检测模型为：
Cx＝sign[(w1+w2)Tx+(b1+b2)]
其中，Cx为样本x的电机检测类型，sign为符号函数，w1为所述双维超平面中第一个平面的法向量，w2为所述双维超平面中第二个平面的法向量，b1为所述双维超平面中第一个平面的截距，b2为所述双维超平面中第二个平面的截距，T为转置符号。
可选地，所述设备检测模型生成模块在根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型时，具体用于：
根据所述传感器数据特征生成决策数据集；
利用预设的基尼指数算法计算所述决策数据集中每个传感器数据特征的基尼指数，选取所述基尼指数最小的传感器数据特征作为最优特征值；
根据所述最优特征值将所述决策数据集进行划分，得到划分决策数据集；
将所述划分决策数据集更新所述决策数据集，并返回至所述利用预设的基尼指数算法计算所述决策数据集中每个传感器数据特征的基尼指数的步骤，直至所述决策数据集中所有的传感器数据特征的基尼指数均被计算时，生成传感器检测模型。
可选地，所述设备检测模型生成模块在根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型时，具体用于：
按照预设的滑动窗口对所述运行特征进行序列化，得到运行序列特征，提取所述运行序列特征的运行序列特征向量；
将所述运行序列特征向量输入至预设的时间序列模型内进行训练，得到运行特征类别概率集；
根据所述运行特征类别概率集及预设的损失函数计算所述时间序列模型的损失值，其中所述损失函数为：
其中，L为损失值，为所述运行特征类别概率集中第a个概率数据，za为预设第a个真实概率数据，A为数据数量，cosh为反余弦函数，log为对数函数；
当所述损失值小于预设的损失阈值时，将所述时间序列模型作为所述机电设备异常检测模型。
可选地，所述模型融合模块在通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型时，具体用于：
提取所述电机检测模型的电机输出特征，提取所述传感器检测模型的传感器输出特征，提取所述机电设备异常检测模型的设备异常输出特征；
利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机输出特征、所述传感器输出特征及所述设备异常输出特征进行特征融合，得到融合元特征；
将所述融合元特征输入至预设的支持向量机中进行训练，得到所述检测融合模型。
可选地，所述模型融合模块在利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机输出特征、所述传感器输出特征及所述设备异常输出特征进行特征融合，得到融合元特征时，具体用于：
提取所述电机输出特征的电机最大输出概率，提取所述传感器输出特征的传感器最大输出概率，提取所述设备异常输出特征的设备异常最大输出概率；
利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重、所述设备异常权重、所述电机最大输出概率、所述传感器最大输出概率及所述设备异常最大输出概率确定所述检测融合模型，其中所述多模型协同算法为：
F＝α1p1+α2p2+α3p3
其中，F为所述融合元特征，α1为所述电机模型权重，α2为所述传感器模型权重，α3为所述设备异常权重，p1为所述电机最大输出概率，p2为所述传感器最大输出概率，p3为所述设备异常最大输出概率。
可选地，所述设备检测模块在利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态时，具体用于：
提取所述实时运行数据的实时运行特征；
根据所述实时运行特征确定所述实时运行数据的实时元特征；
利用所述检测融合模型根据所述实时元特征对所述机电设备进行检测，得到所述机电设备的设备检测概率；
根据所述设备检测概率确定所述机电设备的设备检测状态。
为了解决上述问题，本发明还提供一种基于融合模型的机电设备检测方法，所述方法包括：
采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征；
根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型；
利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重；
通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型；
获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
为了解决上述问题，本发明还提供一种设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于融合模型的机电设备检测方法。
本发明实施例通过提取机电设备的图像特征和运行特征，有利于分析机电设备的工作状态和运行趋势；根据图像特征生成电机检测模型，可以准确地检测电机零件故障并提供故障类型的诊断，根据运行特征中的传感器数据特征生成传感器检测模型，实现对机电设备状态的检测和识别，根据运行特征中的电气数据特征生成机电设备异常检测模型，有利于识别机电设备中潜在的风险或异常情况，从而及时采取相应的措施；计算电机检测模型、传感器检测模型及机电设备异常检测模型的模型权重，通过模型权重反映模型对机电设备的检测性能；根据模型权重将电机检测模型、传感器检测模型及机电设备异常检测模型进行模型融合，可以提供更准确、可靠、全面的机电设备的检测结果；利用检测融合模型对机电设备的实时运行数据进行检测，得到设备检测状态，可以准确判断机电设备的正常、异常或故障状态。因此本发明提出的基于融合模型的机电设备检测系统、方法及设备，可以解决进行机电设备检测时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于融合模型的机电设备检测系统的流程示意图；
图2为本发明一实施例提供的基于融合模型的机电设备检测系统的运行方法的流程示意图；
图3为本发明一实施例提供的实现所述基于融合模型的机电设备检测系统的运行方法的设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
实际上，基于融合模型的机电设备检测系统所部署的服务端设备可能是由一台或多台设备构成的。上述基于融合模型的机电设备检测系统可以实现为：业务实例、虚拟机、硬件设备。比如，该基于融合模型的机电设备检测系统可以实现为部署在云节点中的一个或多个设备上的一种业务实例。简单来说，该基于融合模型的机电设备检测系统可以理解为是部署在云节点上的一种软件，用于为各用户端提供基于融合模型的机电设备检测系统。或者，该基于融合模型的机电设备检测系统也可以实现为部署在云节点中的一个或多个设备上的一种虚拟机。该虚拟机中安装有用于管理各用户端的应用软件。或者，该基于融合模型的机电设备检测系统还可以实现为由众多相同或不同类型的硬件设备构成的服务端，设置一个或多个硬件设备用于为各用户端提供基于融合模型的机电设备检测系统。
在实现形式上，基于融合模型的机电设备检测系统和用户端相互适应。即，基于融合模型的机电设备检测系统作为安装于云服务平台的应用，则用户端作为与该应用建立通信连接的客户端；或实现基于融合模型的机电设备检测系统作为网站实现，则用户端作为网页实现；再或实现基于融合模型的机电设备检测系统作为云服务平台实现，则用户端作为即时通信应用中的小程序实现。
参照图1所示，是本发明一实施例提供的基于融合模型的机电设备检测系统的功能模块图。
本发明所述基于融合模型的机电设备检测系统100可以设置于云端服务器中，在实现形式上，可以作为一个或多个服务设备，也可以作为一应用安装于云端(例如移动服务运营方的服务器、服务器集群等)上，或者也可以开发为网站。根据实现的功能，所述基于融合模型的机电设备检测系统100可以包括特征提取模块101、设备检测模型生成模块102、模型权重计算模块103、模型融合模块104及设备检测模块105。本发明所述模块也可以称之为单元，是指一种能够被设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在设备的存储器中。
本发明实施例中，基于融合模型的机电设备检测系统中，上述各个模块均可独立实现，且与其他模块调用。这里的调用可以理解为，某一模块可以连接另一类型的多个模块，并为其连接的多个模块提供相应服务。比如，分享评测模块可以调用同一信息采集模块，以获取该信息采集模块采集的信息基于上述特性，本发明实施例提供的基于融合模型的机电设备检测系统中，无需修改程序代码，即可通过增加模块、并直接调用的形式来调整基于融合模型的机电设备检测系统架构的适用范围，实现集群式水平拓展，以便达到快捷灵活拓展基于融合模型的机电设备检测系统的目的。实际应用中，上述模块可以设置在同一设备或不同设备中，也可以是设置在虚拟设备中，例如云端服务器中的服务实例。
下面结合具体实施例，分别针对基于融合模型的机电设备检测系统的各个组成部分以及具体工作流程进行说明：
所述特征提取模块101，用于采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征。
本发明实施例中，所述图像数据是指机电设备的零件图像，所述运行数据是指机电设备运行过程中产生的传感器数据、电气数据、载荷数据，则传感器数据包括温度数据、压力数据、振动数据(如加速度、速度、位移数据)；电气数据包括电压、电流、功率等，其中可通过摄像头按照不同角度、距离和光照条件下采集机电设备的图像数据，确保图像清晰度和细节，以及通过传感器的接口采集设备的运行数据、输入输出信号等数据。
进一步地，提取采集的图像数据的图像特征，能更好地捕获图像中的信息，用于根据机电设备的图像特征实现基于零件检测机电设备的故障。
本发明实施例中，将图像数据进行预处理，并将预处理后的图像数据输入至卷积神经网络中进行特征提取，通过前后传播，将图像数据通过卷积和池化等操作，逐层传递给网络，并从中获取图像特征。卷积层可以提取局部特征，池化层可以进行空间降采样。经过多个卷积和池化层后，可以得到一系列高维的图像特征，将提取的图像特征进行表示，可以选择使用全连接层、平均池化等方法，将高维特征转换为具有固定维度的特征表示。
进一步地，不仅仅要提取机电设备的图像数据的图像特征，还需要提取机电设备的运行数据的运行特征，可以分析机电设备的工作状态和运行趋势，实现机电设备的故障诊断，确保机电设备的安全性。
本发明实施例中，所述运行特征是指机电设备运行过程中的时域特征和频域特征，其时域特征是指运行信号在时间轴上的特征，包括运行信号的幅度、频率、相位，频域特征是将不同正弦波的信号组成的频谱。
本发明实施例中，所述特征提取模块101在通过预设的异化特征算法提取所述运行数据的运行特征时，具体用于：
对所述运行数据进行数据增强处理，得到增强运行数据；
利用预设的窗函数提取所述增强运行数据的时域特征；
利用预设的傅里叶变换算法提取所述增强运行数据的频域特征；
通过预设的异化特征算法根据所述时域特征及所述频域特征确定所述运行特征，其中所述异化特征算法为：
其中，G为所述运行特征，γ为特征控制因子，δi为第i个运行数据的时域特征，为第i个运行数据的频域特征。
详细地，所述数据增强处理包括数据缺失值处理、重复值处理、异常值处理，得到增强运行数据，进而通过窗函数提取增强运行数据的时域特征，可以用于平滑信号的边界和减少频谱泄露现象，在时域上突出信号的特征。
具体地，所述利用预设的窗函数提取所述增强运行数据的时域特征，包括：
将所述增强运行数据转换为运行数字信号；
通过所述窗函数与所述运行数字信号进行逐点相乘，得到窗口运行信号；
通过预设的滑动窗口统计所述窗口运行信号中的信号均值；
根据所述信号均值生成时域特征向量，根据所述时域特征向量确定时域特征。
详细地，对所述增强运行数据进行数据编码，将增强运行数据表示为二进制数字，即运行数字信号，按照预设的窗函数对应的时间点将窗函数与运行数字信号进行逐点相乘，可得到窗口运行信号，进而设定滑动窗口，统计一个滑动窗口内窗口运行信号中的信号均值，并将所有滑动窗口对应的信号均值表示为时域特征向量，将时域特征向量确定为时域特征。
具体地，利用傅里叶变换算法提取增强数据的频域特征，通过傅里叶变换得到数据在频域上的表示，即频谱，频谱显示了信号在不同频率上的能量分布情况，通过提取增强后的运行数据的频域特征，可以更好地理解信号的频率组成和频率分布情况。
进一步地，所述异化特征算法是指提取不同的运行特征，即时域特征和频域特征，并通过特征控制因子将时域特征和频域特征拼接，表示运行特征，其中所述异化特征算法中的特征控制因子表示特征的变化范围和偏斜程度，低偏度的特征可能提供较少的有效信息，高偏度的特征可能导致模型表现不佳，因子需要根据特征控制因子动态地调整时域特征和频域特征，以保证运行特征的有效性。
更进一步地，通过图像特征及运行特征生成机电设备不同的检测模型，从多角度生成机电设备的检测模型，以保证机电设备检测的准确性和全面性。
所述设备检测模型生成模块102，用于根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型。
本发明实施例中，所述电机检测模型是用于检测和诊断电机零件故障的模型，通过对图像特征进行分析和判断，可以准确地检测电机零件故障并提供故障类型的诊断。
本发明实施例中，所述设备检测模型生成模块102在根据所述图像特征及预设的向量机模型生成电机检测模型时，具体用于：
对所述图像特征进行状态类别标记，得到图像类别特征；
将所述图像类别特征转换为类别特征向量；
将所述图像特征及所述类别特征向量进行拼接，得到电机图像数据集；
利用所述电机图像数据集对所述向量机模型进行训练，得到双维超平面；
根据所述双维超平面生成所述电机检测模型，其中所述电机检测模型为：
Cx＝sign[(w1+w2)Tx+(b1+b2)]
其中，Cx为样本x的电机检测类型，sign为符号函数，w1为所述双维超平面中第一个平面的法向量，w2为所述双维超平面中第二个平面的法向量，b1为所述双维超平面中第一个平面的截距，b2为所述双维超平面中第二个平面的截距，T为转置符号。
详细地，所述图像特征中包括正常零件图像及故障零件图像，为每个图像特征添加标签，得到图像分类特征，进而将添加标签后的图像类别特征转换为类别特征向量，其中可利用向量转换模型(如Bert模型、Word2vec模型)将所述图像类别特征转换为类别特征向量，并将所述图像特征及其对应的类别特征向量进行拼接，得到电机图像数据集，如(x1,y1),(x2,y1),...,(xn,y2)，则(x1,y1)表示电机图像数据集中的一个训练数据，x1表示图像特征，y1表示其对应的类别特征向量，即正标签，正常的图像特征，而y2表示负标签，具有故障的图像特征。
具体地，将所述电机图像数据集划分为训练集和测试集，使用训练集的特征向量和对应的标签数据训练向量机模型，在训练过程中，通过最小化损失函数或最大化间隔等原则来优化模型参数，以根据训练好的向量机模型确定双维超平面，双维超平面表示的是SVM模型的决策边界，它可以将不同类别的样本分开，即对于二分类问题，SVM模型通过找到一个超平面(即一个线性决策边界)，使得不同类别的样本尽可能地分开，并且与超平面距离最近的样本点称为支持向量，而对于高维数据，超平面是一个二维平面。根据根据所述双维超平面生成所述电机检测模型，而电机检测模型中的w1，w2，b1，b2是基于距离决策边界距离最大的一对最优超平面解，从而可确定图像特征对应的分类区域，进而检测出电机零件故障的区域。
进一步地，超平面将电机图像特征空间分为两个区域，分别对应于不同的电机状态，可以根据新的电机图像特征，通过判断其在超平面的哪一侧来进行状态分类和识别。但仅仅检测机电设备的零件故障不能非常准确的检测故障，还需要依据机电设备的传感器数据更加深入地检测设备故障。
本发明实施例中，所述传感器检测模型是指使用传感器收集的数据，并通过训练模型对这些数据进行分析和判断，以实现对机电设备状态的检测和识别。
本发明实施例中，所述设备检测模型生成模块102在根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型时，具体用于：
根据所述传感器数据特征生成决策数据集；
利用预设的基尼指数算法计算所述决策数据集中每个传感器数据特征的基尼指数，选取所述基尼指数最小的传感器数据特征作为最优特征值；
根据所述最优特征值将所述决策数据集进行划分，得到划分决策数据集；
将所述划分决策数据集更新所述决策数据集，并返回至所述利用预设的基尼指数算法计算所述决策数据集中每个传感器数据特征的基尼指数的步骤，直至所述决策数据集中所有的传感器数据特征的基尼指数均被计算时，生成传感器检测模型。
详细地，所述传感器数据特征包括机电设备的温度数据、压力数据、振动数据(如加速度、速度、位移数据)，进而根据传感器数据特征生成用于训练的决策数据集，并通过基尼指数算法逐一计算决策数据集中每个传感器数据特征的基尼指数，并选取基尼指数最小的传感器数据特征作为决策树的最优特征值，即决策树的根节点，并根据最优特征值将小于最优特征值的传感器数据特征划分至根节点的左节点中，将大于最优特征值的传感器数据特征划分至根节点的右节点中，从而得到划分决策数据集，并再重新计算划分决策数据集中左节点数据集中每个传感器数据特征的基尼指数，重新计算划分决策数据集中右节点数据集中每个传感器数据特征的基尼指数，再选取基尼指数最小的传感器数据特征添加至根节点的左节点和右节点中，再重新对数据集进行划分，依次类推，直至策数据集中所有的传感器数据特征的基尼指数均被计算，完成传感器数据特征的分类，从而得到传感器检测模型。
进一步地，通过传感器检测模型可以检测出机电设备中传感器出现的故障，还需要基于运行特征的电气数据(电压、电流、功率等)、载荷数据检测机电设备实时运行过程发生的异常故障，从而保证对机电设备检测的全面性。
本发明实施例中，所述异常检测模型是一种用于识别和捕捉机电设备数据中的异常模式或离群值的检测模型，以帮助识别机电设备中潜在的风险或异常情况，从而及时采取相应的措施。
本发明实施例中，所述设备检测模型生成模块102在根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型时，具体用于：
按照预设的滑动窗口对所述运行特征进行序列化，得到运行序列特征，提取所述运行序列特征的运行序列特征向量；
将所述运行序列特征向量输入至预设的时间序列模型内进行训练，得到运行特征类别概率集；
根据所述运行特征类别概率集及预设的损失函数计算所述时间序列模型的损失值，其中所述损失函数为：
其中，L为损失值，为所述运行特征类别概率集中第a个概率数据，za为预设第a个真实概率数据，A为数据数量，cosh为反余弦函数，log为对数函数；
当所述损失值小于预设的损失阈值时，将所述时间序列模型作为所述机电设备异常检测模型。
详细地，滑动窗口是一种将序列分割为连续的子序列的方法，其中每个子序列的长度由预设的窗口大小确定。该窗口按照一定的步长在序列中滑动，以生成连续的子序列。对于每个子序列，可以提取一组特征作为运行序列特征，并将运行序列特征进行向量转换，得到运行序列特征向量。其中可通过预设的向量转换模型提取所述运行序列特征的运行序列特征向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。
具体地，将运行序列特征向量作为时间序列模型的输入对模型进行训练，将训练出的运行特征类别概率集与真实的特征类别概率集进行对比，通过损失值不断调整模型的训练结果，得到类别分类效果最佳的异时间序列模型。其中时间序列模型是由LSTM层、Dense层(全连接层)、输出层组成，对提取的特征向量进行学习、处理，计算属于每一类的概率，最终得到分类结果。此外，为了防止过拟合，可以使用Dropout舍弃一定概率的神经网络单元。
进一步地，根据机电设备异常检测模型对实时的机电设备数据进行监测，监测机电设备数据是否是异常的，以便根据异常数据及时做出有效处理。
所述模型权重计算模块103，用于利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重。
本发明实施例中，所述电机模型权重是指评估模型的重要性，通过模型训练的误差率确定模型的权重，可以有效地反映电机模型的检测性能。
本发明实施例中，所述模型权重计算模块103在利用预设的层次权重算法计算所述电机检测模型的电机模型权重时，具体用于：
统计所述电机检测模型对应的训练数据集的训练错误数量；
初始化所述电机检测模型对应的训练数据集的特征层次权重；
利用所述层次权重算法根据所述训练错误数量及所述特征层次权重计算所述电机检测模型的电机模型权重，其中所述层次权重算法为：
其中，α1为所述电机模型权重，D为权重优化因子，ln为对数函数，n为所述训练错误数量，θk为所述训练数据集中第k个训练数据的特征层次权重，m为所述训练数据集中训练数据的数量。
详细地，统计所述电机检测模型在训练过程中，训练数据集对应的训练错误数量，并通过层次分析法根据多指标确定训练数据集对应的特征层次权重，其中可根据目标层(如电机故障检测)、准则层(特征的相关性、稳定性)、特征层(实际的特征属性)构建层次比较矩阵，进而计算训练数据集中每个训练数据的特征层次权重，从而根据训练错误数量及特征层次权重计算电机检测模型的电机模型权重。
具体地，层次权重算法中的权重优化因子D是考虑到不同目标可能有不同的重要性，可以根据目标优先级来调整权重分配，对于较重要的目标，可以分配更高的权重，确保其对整体结果的影响更大；而层次权重算法中的表示电机检测模型在训练集上的错误率，通过训练集中的特征层次权重及训练错误数量可计算电机检测模型的错误率，从而根据错误率和权重优化因子确定电机检测模型的电机模型权重。
本发明实施例中，所述传感器模型权重是指评估传感器模型的重要性，通过模型训练的误差率确定传感器模型的权重，可以有效地反映机电设备中传感器的检测性能；所述设备异常权重是评估对于机电设备异常检测的检测效果，可以有效地反映机电设备中对异常数据的检测性能。
具体地，所述根据所述层次权重算法计算所述传感器检测模型的传感器模型权重的步骤与所述利用预设的层次权重算法计算所述电机检测模型的电机模型权重步骤一致，在此不再赘述；所述计算所述机电设备异常检测模型的设备异常权重的步骤与所述利用预设的层次权重算法计算所述电机检测模型的电机模型权重步骤一致，在此不再赘述。
进一步地，通过每个单一模型可能只能捕捉到问题的一部分特征，进而需要将模型融合，利用不同模型的优势，综合多模型的输出结果，从而提高整体对机电设备检测性能和准确性。
所述模型融合模块104，用于通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型。
本发明实施例中，所述检测融合模型是指通过将多个独立的检测模型进行整合或融合而形成的融合模型，而融合模型可以结合多个独立模型的输出，以提供更准确、可靠或全面的机电设备的检测结果。
本发明实施例中，所述模型融合模块104在通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型时，具体用于：
提取所述电机检测模型的电机输出特征，提取所述传感器检测模型的传感器输出特征，提取所述机电设备异常检测模型的设备异常输出特征；
利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机输出特征、所述传感器输出特征及所述设备异常输出特征进行特征融合，得到融合元特征；
将所述融合元特征输入至预设的支持向量机中进行训练，得到所述检测融合模型。
详细地，所述电机输出特征是指基于电机图像特征输出的检测结果，所述传感器输出特征是指基于传感器数据输出的检测结果，所述设备异常输出特征是指基于设备运行数据特征输出的检测结果，其中可通过具有数据抓取功能的计算机语句(如Java语句、Python语句等)提取电机输出特征、传感器输出特征及设备异常输出特征，进而将不同模型的输出特征进行特征融合，得到融合元特征，并根据融合元特征训练预设的支持向量机，得到检测融合模型。
本发明实施例中，所述模型融合模块104在利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机输出特征、所述传感器输出特征及所述设备异常输出特征进行特征融合，得到融合元特征时，具体用于：
提取所述电机输出特征的电机最大输出概率，提取所述传感器输出特征的传感器最大输出概率，提取所述设备异常输出特征的设备异常最大输出概率；
利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重、所述设备异常权重、所述电机最大输出概率、所述传感器最大输出概率及所述设备异常最大输出概率确定所述检测融合模型，其中所述多模型协同算法为：
F＝α1p1+α2p2+α3p3
其中，F为所述融合元特征，α1为所述电机模型权重，α2为所述传感器模型权重，α3为所述设备异常权重，p1为所述电机最大输出概率，p2为所述传感器最大输出概率，p3为所述设备异常最大输出概率。
详细地，基于图像特征的电机输出特征的概率分布，并选取概率分布中概率最大的输出概率作为电机输出特征，同样地，选取传感器概率分布中概率最大的输出概率作为传感器输出特征，选取设备异常概率分布中概率最大的输出概率作为设备异常输出特征。
具体地，通过多模型协同算法将电机模型权重与电机最大输出概率结合，传感器模型权重与传感器最大输出概率结合，设备异常权重与设备异常最大输出概率结合，并进行加权叠加，得到融合元特征，并根据融合元特征训练预设的支持向量机，得到检测融合模型，其中所述将所述融合元特征输入至预设的支持向量机中进行训练，得到所述检测融合模型与所述根据所述图像特征及预设的向量机模型生成电机检测模型步骤一致，在此不再赘述。
示例性地，如基于机电设备零件图像特征输入至电机检测模型中，可得到关于零件图像特征的一个概率分布，表示对不同机电设备零件的故障检测概率，如轴承的检测概率为60％，绕组的检测概率为50％，定子的检测概率为20％，则选取检测概率最大的轴承为电机输出特征；基于传感器数据特征输入至传感器检测模型中，可得到关于传感器数据的概率分布，如温度传感器的检测概率为20％，压力传感器的检测概率为30％，振动传感器的检测概率为40％；基于电气数据和载荷数据输入至机电设备异常检测模型中，可得到关于机电设备中电气数据的概率分布，如电流的检测概率为10％，电压的检测概率为20％，功率的检测概率为5％，则选取概率最大的特征与每个模型权重进行组合，得到融合元特征的特征值F，进而根据融合元特征训练出一个基于多模型融合的融合模型，实现对机电设备的准确检测。
所述设备检测模块105，用于获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
本发明实施例中，所述实时运行数据是指机电设备的实时运行过程中产生的运行数据，包括温度、压力、振动、电流、电压等，其中可通过数据采集接口实时监测和控制机电设备，通过将机电设备连接到物联网，可以实现设备的远程监控和数据收集，传感器和设备可以通过网络通信，将实时数据传输到云平台进行存储和分析。
进一步地，通过检测融合模型对机电设备的实时运行数据进行检测，可以准确判断机电设备的正常、异常或故障状态，当检测到机电设备异常或故障时，及时发出警报或采取相应的维修措施。
本发明实施例中，所述设备检测状态是用于描述机电设备的当前运行状况，以指示机电设备是否正常、异常或故障。
本发明实施例中，所述设备检测模块105在利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态时，具体用于：
提取所述实时运行数据的实时运行特征；
根据所述实时运行特征确定所述实时运行数据的实时元特征；
利用所述检测融合模型根据所述实时元特征对所述机电设备进行检测，得到所述机电设备的设备检测概率；
根据所述设备检测概率确定所述机电设备的设备检测状态。
详细地，所述实时运行特征包括实时运行数据的时域特征和频域特征，可通过异化特征算法提取实时运行数据的实时运行特征，进而将实时采集的机电设备的零件图像输入至机电检测模型中，将实时运行特征中的传感器数据特征输入至传感器检测模型中，将实时运行特征中的电气数据输入至设备异常检测模型中，从而可以确定机电设备的实时元特征，进而将实时元特征输入至检测融合模型中，可得到机电设备中的设备检测概率，从而根据设备检测概率确定机电设备的设备检测状态。
具体地，根据融合元特征对应的特征值可通过检测融合模型输出机电设备的整体设备检测概率，则当设备检测概率小于预设的状态阈值时，则机电设备的设备检测状态是正常的；而当设备检测概率大于或等于预设的状态阈值时，则机电设备的设备检测状态是异常的，需要根据设备检测概率的大小设置不同异常处理级别，从而采集适当的处理措施，实现机电设备检测的全面性。
本发明实施例通过提取机电设备的图像特征和运行特征，有利于分析机电设备的工作状态和运行趋势；根据图像特征生成电机检测模型，可以准确地检测电机零件故障并提供故障类型的诊断，根据运行特征中的传感器数据特征生成传感器检测模型，实现对机电设备状态的检测和识别，根据运行特征中的电气数据特征生成机电设备异常检测模型，有利于识别机电设备中潜在的风险或异常情况，从而及时采取相应的措施；计算电机检测模型、传感器检测模型及机电设备异常检测模型的模型权重，通过模型权重反映模型对机电设备的检测性能；根据模型权重将电机检测模型、传感器检测模型及机电设备异常检测模型进行模型融合，可以提供更准确、可靠、全面的机电设备的检测结果；利用检测融合模型对机电设备的实时运行数据进行检测，得到设备检测状态，可以准确判断机电设备的正常、异常或故障状态。因此本发明提出的基于融合模型的机电设备检测系统、方法及设备，可以解决进行机电设备检测时的准确度较低的问题。
参照图2所示，为本发明一实施例提供的基于融合模型的机电设备检测系统的运行方法的流程示意图。在本实施例中，所述基于融合模型的机电设备检测系统的运行方法包括：
S1、采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征；
S2、根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型；
S3、利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重；
S4、通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型；
S5、获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
如图3所示，是本发明一实施例提供的实现基于融合模型的机电设备检测系统的运行方法的设备的结构示意图。
所述设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于融合模型的机电设备检测系统程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述设备的控制核心(Control Unit)，利用各种接口和线路连接整个设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于融合模型的机电设备检测方法程序等)，以及调用存储在所述存储器11内的数据，以执行设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是设备的内部存储单元，例如该设备的移动硬盘。所述存储器11在另一些实施例中也可以是设备的外部存储设备，例如设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于设备的应用软件及各类数据，例如基于融合模型的机电设备检测系统程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该设备与其他设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述设备中的所述存储器11存储的基于融合模型的机电设备检测系统程序是多个指令的组合，在所述处理器10中运行时，可以实现：
采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征；
根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型；
利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重；
通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型；
获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于融合模型的机电设备检测系统，其特征在于，所述系统包括特征提取模块、设备检测模型生成模块、模型权重计算模块、模型融合模块及设备检测模块，其中，
所述特征提取模块，用于采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征；
所述设备检测模型生成模块，用于根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型；
所述模型权重计算模块，用于利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重，其中所述利用预设的层次权重算法计算所述电机检测模型的电机模型权重，具体用于：
统计所述电机检测模型对应的训练数据集的训练错误数量；
初始化所述电机检测模型对应的训练数据集的特征层次权重；
利用所述层次权重算法根据所述训练错误数量及所述特征层次权重计算所述电机检测模型的电机模型权重，其中所述层次权重算法为：
其中，α1为所述电机模型权重，D为权重优化因子，ln为对数函数，n为所述训练错误数量，θk为所述训练数据集中第k个训练数据的特征层次权重，m为所述训练数据集中训练数据的数量；
所述模型融合模块，用于通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型；
所述设备检测模块，用于获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
2.如权利要求1所述的基于融合模型的机电设备检测系统，其特征在于，所述特征提取模块在通过预设的异化特征算法提取所述运行数据的运行特征时，具体用于：
对所述运行数据进行数据增强处理，得到增强运行数据；
利用预设的窗函数提取所述增强运行数据的时域特征；
利用预设的傅里叶变换算法提取所述增强运行数据的频域特征；
通过预设的异化特征算法根据所述时域特征及所述频域特征确定所述运行特征，其中所述异化特征算法为：
其中，G为所述运行特征，γ为特征控制因子，δi为第i个运行数据的时域特征，为第i个运行数据的频域特征。
3.如权利要求1所述的基于融合模型的机电设备检测系统，其特征在于，所述设备检测模型生成模块在根据所述图像特征及预设的向量机模型生成电机检测模型时，具体用于：
对所述图像特征进行状态类别标记，得到图像类别特征；
将所述图像类别特征转换为类别特征向量；
将所述图像特征及所述类别特征向量进行拼接，得到电机图像数据集；
利用所述电机图像数据集对所述向量机模型进行训练，得到双维超平面；
根据所述双维超平面生成所述电机检测模型，其中所述电机检测模型为：
Cx＝sign[(w1+w2)Tx+(b1+b2)]
其中，Cx为样本x的电机检测类型，sign为符号函数，w1为所述双维超平面中第一个平面的法向量，w2为所述双维超平面中第二个平面的法向量，b1为所述双维超平面中第一个平面的截距，b2为所述双维超平面中第二个平面的截距，T为转置符号。
4.如权利要求1所述的基于融合模型的机电设备检测系统，其特征在于，所述设备检测模型生成模块在根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型时，具体用于：
根据所述传感器数据特征生成决策数据集；
利用预设的基尼指数算法计算所述决策数据集中每个传感器数据特征的基尼指数，选取所述基尼指数最小的传感器数据特征作为最优特征值；
根据所述最优特征值将所述决策数据集进行划分，得到划分决策数据集；
将所述划分决策数据集更新所述决策数据集，并返回至所述利用预设的基尼指数算法计算所述决策数据集中每个传感器数据特征的基尼指数的步骤，直至所述决策数据集中所有的传感器数据特征的基尼指数均被计算时，生成传感器检测模型。
5.如权利要求1所述的基于融合模型的机电设备检测系统，其特征在于，所述设备检测模型生成模块在根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型时，具体用于：
按照预设的滑动窗口对所述运行特征进行序列化，得到运行序列特征，提取所述运行序列特征的运行序列特征向量；
将所述运行序列特征向量输入至预设的时间序列模型内进行训练，得到运行特征类别概率集；
根据所述运行特征类别概率集及预设的损失函数计算所述时间序列模型的损失值，其中所述损失函数为：
其中，L为损失值，为所述运行特征类别概率集中第a个概率数据，za为预设第a个真实概率数据，A为数据数量，cosh为反余弦函数，log为对数函数；
当所述损失值小于预设的损失阈值时，将所述时间序列模型作为所述机电设备异常检测模型。
6.如权利要求1所述的基于融合模型的机电设备检测系统，其特征在于，所述模型融合模块在通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型时，具体用于：
提取所述电机检测模型的电机输出特征，提取所述传感器检测模型的传感器输出特征，提取所述机电设备异常检测模型的设备异常输出特征；
利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机输出特征、所述传感器输出特征及所述设备异常输出特征进行特征融合，得到融合元特征；
将所述融合元特征输入至预设的支持向量机中进行训练，得到所述检测融合模型。
7.如权利要求6所述的基于融合模型的机电设备检测系统，其特征在于，所述模型融合模块在利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机输出特征、所述传感器输出特征及所述设备异常输出特征进行特征融合，得到融合元特征时，具体用于：
提取所述电机输出特征的电机最大输出概率，提取所述传感器输出特征的传感器最大输出概率，提取所述设备异常输出特征的设备异常最大输出概率；
利用预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重、所述设备异常权重、所述电机最大输出概率、所述传感器最大输出概率及所述设备异常最大输出概率确定所述检测融合模型，其中所述多模型协同算法为：
F＝α1p1+α2p2+α3p3
其中，F为所述融合元特征，α1为所述电机模型权重，α2为所述传感器模型权重，α3为所述设备异常权重，p1为所述电机最大输出概率，p2为所述传感器最大输出概率，p3为所述设备异常最大输出概率。
8.如权利要求1所述的基于融合模型的机电设备检测系统，其特征在于，所述设备检测模块在利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态时，具体用于：
提取所述实时运行数据的实时运行特征；
根据所述实时运行特征确定所述实时运行数据的实时元特征；
利用所述检测融合模型根据所述实时元特征对所述机电设备进行检测，得到所述机电设备的设备检测概率；
根据所述设备检测概率确定所述机电设备的设备检测状态。
9.一种基于融合模型的机电设备检测系统，其特征在于，用于执行如权利要求1-8中任一项所述的基于融合模型的机电设备检测系统，所述方法包括：
采集机电设备的图像数据及运行数据，通过预设的卷积神经网络提取所述图像数据的图像特征，通过预设的异化特征算法提取所述运行数据的运行特征；
根据所述图像特征及预设的向量机模型生成电机检测模型，根据所述运行特征中的传感器数据特征及预设的决策树模型生成传感器检测模型，根据所述运行特征及预设的时间序列模型生成机电设备异常检测模型；
利用预设的层次权重算法计算所述电机检测模型的电机模型权重，根据所述层次权重算法计算所述传感器检测模型的传感器模型权重，以及计算所述机电设备异常检测模型的设备异常权重；
通过预设的多模型协同算法根据所述电机模型权重、所述传感器模型权重及所述设备异常权重将所述电机检测模型、所述传感器检测模型及所述机电设备异常检测模型进行模型融合，得到检测融合模型；
获取机电设备的实时运行数据，利用所述检测融合模型根据所述实时运行数据对所述机电设备进行检测，得到设备检测状态。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的基于融合模型的机电设备检测方法。
CN202310988070.1A 2023-08-07 2023-08-07 一种基于融合模型的机电设备检测系统、方法及设备 Active CN117036732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310988070.1A CN117036732B (zh) 2023-08-07 2023-08-07 一种基于融合模型的机电设备检测系统、方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310988070.1A CN117036732B (zh) 2023-08-07 2023-08-07 一种基于融合模型的机电设备检测系统、方法及设备

Publications (2)

Publication Number Publication Date
CN117036732A true CN117036732A (zh) 2023-11-10
CN117036732B CN117036732B (zh) 2024-04-16

Family

ID=88644116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310988070.1A Active CN117036732B (zh) 2023-08-07 2023-08-07 一种基于融合模型的机电设备检测系统、方法及设备

Country Status (1)

Country Link
CN (1) CN117036732B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786585A (zh) * 2024-02-27 2024-03-29 威海锐恩电子股份有限公司 基于机器学习的配电站终端异常检测方法及检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140022A1 (en) * 2018-12-27 2020-07-02 Guruprasad Srinivasan System and method for fault detection of components using information fusion technique
CN115661480A (zh) * 2022-11-07 2023-01-31 安徽大学 一种基于多层次特征融合网络的图像异常检测方法
CN116127383A (zh) * 2022-10-18 2023-05-16 南京上铁电子工程有限公司 故障检测方法、装置、电子设备及存储介质
CN116415931A (zh) * 2023-03-14 2023-07-11 成都电通能源有限公司 一种基于大数据的电力设备运行状态监控方法和系统
US20230237783A1 (en) * 2022-01-26 2023-07-27 Ford Global Technologies, Llc Sensor fusion

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140022A1 (en) * 2018-12-27 2020-07-02 Guruprasad Srinivasan System and method for fault detection of components using information fusion technique
US20230237783A1 (en) * 2022-01-26 2023-07-27 Ford Global Technologies, Llc Sensor fusion
CN116127383A (zh) * 2022-10-18 2023-05-16 南京上铁电子工程有限公司 故障检测方法、装置、电子设备及存储介质
CN115661480A (zh) * 2022-11-07 2023-01-31 安徽大学 一种基于多层次特征融合网络的图像异常检测方法
CN116415931A (zh) * 2023-03-14 2023-07-11 成都电通能源有限公司 一种基于大数据的电力设备运行状态监控方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MING GUO ET AL.: "A Multisensor Multiclassifier Hierarchical Fusion Model Based on Entropy Weight for Human Activity Recognition UsingWearable Inertial Sensors", 《IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS》, 28 February 2019 (2019-02-28) *
YONGCHUAN TANG ET AL.: "A Weighted Belief Entropy-Based Uncertainty Measure for Multi-Sensor Data Fusion", 《SENSORS》, 22 April 2017 (2017-04-22) *
邹阳等: "融合模糊K 近邻及证据理论的变压器油纸绝缘状态评估方法", 《电力系统保护与控制》, 16 July 2023 (2023-07-16) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786585A (zh) * 2024-02-27 2024-03-29 威海锐恩电子股份有限公司 基于机器学习的配电站终端异常检测方法及检测系统

Also Published As

Publication number Publication date
CN117036732B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
US11334407B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN112766342A (zh) 一种电气设备的异常检测方法
CN108228428B (zh) 用于输出信息的方法和装置
JP2020123951A (ja) 光モジュールの故障を予測するための方法、装置、およびデバイス
CN117036732B (zh) 一种基于融合模型的机电设备检测系统、方法及设备
CN114386537B (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
Silva et al. Assets predictive maintenance using convolutional neural networks
WO2020193314A1 (en) Apparatus for predicting equipment damage
CN113723861A (zh) 异常用电行为检测方法、装置、计算机设备和存储介质
CN116340796A (zh) 时序数据分析方法、装置、设备及存储介质
Kannan et al. Nominal features-based class specific learning model for fault diagnosis in industrial applications
CN115905959A (zh) 基于缺陷因子的电力断路器关联性故障分析方法及装置
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN117231590A (zh) 液压系统的故障预测系统及其方法
CN113656586B (zh) 情感分类方法、装置、电子设备及可读存储介质
CN113033397A (zh) 目标跟踪方法、装置、设备、介质及程序产品
CN117373580B (zh) 基于时序网络实现钛合金产品的性能分析方法及系统
CN116155770B (zh) 多源数据融合下的物联网安全态势评估方法、装置及设备
Zhang et al. TSViT: A Time Series Vision Transformer for Fault Diagnosis
CN115683631B (zh) 轴承故障检测方法及装置
CN116930262B (zh) 基于多端交互实现电力设备的缺陷检测方法及系统
CN114201533B (zh) 车辆涉水深度检测方法、装置、电子设备及存储介质
CN117629634A (zh) 基于有限穿越可视图的旋转机械早期故障检测方法及系统
Sonmez et al. A new deep learning model combining CNN for engine fault diagnosis

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