CN118013248A - 基于半机理模型筛选的工况识别方法、装置、设备及介质 - Google Patents
基于半机理模型筛选的工况识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118013248A CN118013248A CN202410423855.9A CN202410423855A CN118013248A CN 118013248 A CN118013248 A CN 118013248A CN 202410423855 A CN202410423855 A CN 202410423855A CN 118013248 A CN118013248 A CN 118013248A
- Authority
- CN
- China
- Prior art keywords
- working condition
- semi
- screening
- feature
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 230000009467 reduction Effects 0.000 claims abstract description 37
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007619 statistical method Methods 0.000 claims abstract description 14
- 230000004069 differentiation Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 22
- 238000005315 distribution function Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了基于半机理模型筛选的工况识别方法、装置、设备及介质，涉及机器设备工况识别领域，方法包括使用半机理模型将噪声信号与振动信号转换为半机理特征；结合统计学方法、寻峰算法、高斯混合模型和Bhattacharyya距离公式，完成两次特征筛选过程，从而筛选出具有较好类间区分性的特征；使用多阈值大津算法确定所述候选特征的工况分类阈值，并对数据标记；利用所述标记数据，采用特征选择、特征提取和降维方法获取降维特征，将其作为监督学习模型的输入值以完成工况分类工作。本发明不仅能够自动筛选具有区分性的半机理特征，而且能提升工况分类的效率和准确性。
Description
技术领域
本发明涉及机器设备工况识别领域，具体涉及基于半机理模型筛选的工况识别方法、装置、设备及介质。
背景技术
机器设备工况识别是指利用传感器、监测设备等技术手段对机器设备运行状态进行实时监测和识别，以便及时发现异常情况并进行预警或维护。通过对机器设备的振动、温度、压力、电流等参数进行监测和分析，可以判断设备的工作状态、健康状况和运行效率，从而提高设备的可靠性和生产效率。
机器设备工况识别是生产决策、设备安全与管理及设备健康监测中不可或缺的一环，也是实现智能制造的关键技术之一；工况识别通常涉及数据采集、信号处理、特征提取和模式识别等技术，通过建立合适的模型和算法来实现对机器设备工况的准确识别。这种智能化的监测和识别系统在工业生产中具有重要意义，可以帮助企业实现设备故障的预防性维护，提高设备利用率，降低维修成本，进而提升生产效率和产品质量。但是，当前市面上的机器设备工况识别方法，一方面在传统工业场景中工况识别需要人工记录和处理，这样的方法呈现低时效性、随机性及较高的复杂性；另一方面，机器设备在不同工况下通常会表现出不同程度的物理特性，例如噪声和振动，半机理模型能够从中提取工况区分性信息，有助于实现自动化监测机器设备工况变化。
有鉴于此，提出本申请。
发明内容
本发明提供了一种基于半机理模型筛选的工况识别方法、装置、设备及介质，能至少部分的改善上述问题。
为实现上述目的，本发明采用以下技术方案：
一种基于半机理模型筛选的工况识别方法，其包括：
获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征；
依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征；
基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征；
根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据；
对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征；
将所述降维特征作为监督学习算法的输入值，生成工况分类结果，根据所述工况分类结果完成对所述待识别的机器设备的工况分类工作。
优选地，获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征，具体为：
根据当前的场景需求，设置与所述场景需求相互适应的噪声传感器和振动传感器的传感器采样率；
分别获取由设置好采样率的噪声传感器和振动传感器采集到的待识别的机器设备的噪声信号和振动信号；
使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，从所述机器设备的噪声信号和振动信号中提取出与机器设备工况状态的相关信息，并生成多个半机理特征。
优选地，依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征，具体为：
对每一所述半机理特征进行归一化处理；
获取归一化处理后的所述半机理特征的概率密度函数，具体为：
设置第一直方图分箱数，并根据所述第一直方图分箱数绘制归一化处理后的所述半机理特征的直方图，并采用核密度估计方法拟合获取概率分布函数；
根据预设的统计学方法和寻峰算法确定所述概率密度函数中的峰值点个数，并判断所述峰值点个数是否大于等于所述待识别的机器设备的工况类别个数；
若是，将所述峰值点个数对应的所述半机理特征作为初次筛选特征；
若否，判断下一个所述半机理特征。
优选地，基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征，具体为：
设置第二直方图分箱数，并根据所述第二直方图分箱数绘制所述半机理特征的直方图；
使用预设的高斯混合模型获取所述半机理特征的概率分布函数，具体为：
设所述待识别的机器设备的工况类别个数，设置所述高斯混合模型中的混合成分个数为/>，根据所述高斯混合模型获取所述半机理特征的概率分布函数，其中，所述概率分布函数是由/>个正态分布混合而成，/>个正态分布分别记为/>，/>和是第/>个正态分布的均值和标准差；
采用预设的Bhattacharyya距离公式计算所述概率分布函数的区分度，并筛选出区分度大于预设值的半机理特征作为候选特征，具体为：
对所述半机理特征对应的个正态分布/>进行比较处理，比较均值/>的大小，并对所述均值标准差对/>进行排序处理，将两两相邻的正态分布的均值和标准差代入到 Bhattacharyya 距离公式中，计算相邻高斯分量间的区分度，Bhattacharyya 距离公式为：
其中，，/>为第/>个区分度，/>为第/>个正态分布的均值，/>为第/>个正态分布的均值，/>为第/>个正态分布标准差，/>为第/>个正态分布标准差；
根据所述区分度的计算方式Bhattacharyya 距离公式，所述半机理特征都会对应地转化为维区分度向量/>；
依次比较所述维区分度向量/>中的/>个分量的大小，并按照从大到小的顺序对所述半机理特征进行排序处理，生成第一排序结果；
当判断到成立时，利用所述/>维区分度向量/>计算所述/>维区分度向量/>的极差，计算公式为：
其中，为所述/>维区分度向量/>的极差，/>为第/>个区分度；
比较所述维区分度向量/>的极差/>的大小，并按照从小到大的顺序对所述半机理特征进行排序处理，生成第二排序结果；
综合所述生成第一排序结果和所述第二排序结果，筛选出区分度大于区分度预设值且区分度极差小于极差预设值的所述半机理特征，生成候选特征。
优选地，根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据，具体为：
根据所述待识别的机器设备的工况类别个数，绘制所述半机理特征的直方图，获取多个分箱及其对应的数据量；
采用预设的多阈值大津算法自适应地选择个分箱，其中，所选定的/>个分箱的中位数分别对应着/>个分类阈值；
结合当前的实际工况，利用所述半机理特征与所述分类阈值的大小关系确定所述候选特征的分类阈值，生成标记数据，以实现对所述候选特征的标记。
优选地，对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征，具体为：
使用预设的Relief算法对所述标记数据进行计算处理，计算所述半机理特征与待识别的机器设备的工况类别的相关性，并选择相关性大于相关性预设值的半机理特征；
使用滑动窗口将时间上相邻且属于同一工况类别的所述标记数据进行分割处理，并对所述滑动窗口内的所述标记数据进行特征提取，其中，所述滑动窗口的移动步长、滑动窗口的大小均根据当前的实际工况设置，且允许相邻窗口有重叠；
使用主成分分析法PCA对经过特征提取处理后的所述半机理特征进行降维处理，获取用于工况分类的降维特征。
本发明实施例还提供了一种基于半机理模型筛选的工况识别装置, 其包括：
获取半机理特征模块，用于获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征；
初次筛选半机理特征模块，用于依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征；
二次筛选半机理特征模块，用于基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征；
数据标记模块，用于根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据；
特征工程模块，用于对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征；
工况识别模块，用于将所述降维特征作为监督学习算法的输入值，生成工况分类结果，根据所述工况分类结果完成对所述待识别的机器设备的工况分类工作。
本发明实施例还提供了一种基于半机理模型筛选的工况识别设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上所述的基于半机理模型筛选的工况识别方法。
本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上所述的基于半机理模型筛选的工况识别方法。
本发明提供了基于半机理模型筛选的工况识别方法、装置、设备及介质，该方法首先利用半机理模型从机器设备的振动信号和噪声信号提取对应的半机理特征；其次，依次对所述半机理特征进行归一化处理，使用统计学方法、寻峰算法、高斯混合模型和Bhattacharyya 距离对所述归一化后的半机理特征进行特征筛选；再次，使用多阈值大津算法自适应地获取所述半机理特征的分类阈值以完成数据标记；进而对所述标记后的半机理特征进行特征工程，包括特征选择、特征提取和降维处理；最后，将所述降维特征放入监督学习模型中以获取所述机器设备的工况识别效果。本发明请通过对机器设备的振动信号和噪声信号进行详尽分析和处理，能够促进工况识别的自动化，提升效率，克服人为误差等影响。
附图说明
图1是本发明第一实施例提供的基于半机理模型筛选的工况识别方法的流程示意图；
图2是本发明第一实施例提供的第0秒到第7500秒之间由半机理模型生成的半机理特征示意图；
图3是本发明第一实施例提供的第0秒到第1000秒之间半机理特征对应的停机、工况1、工况2三种工况示意图；
图4是本发明第一实施例提供的滑动窗口对半机理特征切割提取特征示意图；
图5为本发明第二实施例提供的基于半机理模型筛选的工况识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合实施例，进一步详细说明本发明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参考图1所示，本发明第一实施例公开了一种基于半机理模型筛选的工况识别方法，其可由基于半机理模型筛选的工况识别设备（以下简称工况识别备）来执行，特别的，由所述工况识别设备内的一个或者多个处理器来执行，以实现如下方法：
S101，获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征；
具体地，步骤S101包括：根据当前的场景需求，设置与所述场景需求相互适应的噪声传感器和振动传感器的传感器采样率；
分别获取由设置好采样率的噪声传感器和振动传感器采集到的待识别的机器设备的噪声信号和振动信号；
使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，从所述机器设备的噪声信号和振动信号中提取出与机器设备工况状态的相关信息，并生成多个半机理特征。
在本实施例中，在待识别的机器设备的合适位置上安装噪声传感器和振动传感器，设置噪声传感器和振动传感器的采样率分别为48000和50000，采集机器设备在不同工况下的噪声信号和振动信号；使用所述预设的半机理模型从噪声信号和振动信号中提取半机理特征，请参考图2，图2展示了从第0秒到第7500秒之间由所述半机理模型生成的半机理特征。
S102，依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征；
具体地，步骤S102包括：对每一所述半机理特征进行归一化处理；
获取归一化处理后的所述半机理特征的概率密度函数，具体为：
设置第一直方图分箱数，并根据所述第一直方图分箱数绘制归一化处理后的所述半机理特征的直方图，并采用核密度估计方法拟合获取概率分布函数；
根据预设的统计学方法和寻峰算法确定所述概率密度函数中的峰值点个数，并判断所述峰值点个数是否大于等于所述待识别的机器设备的工况类别个数；
若是，将所述峰值点个数对应的所述半机理特征作为初次筛选特征；
若否，判断下一个所述半机理特征。
在本实施例中，所述机器设备的工况类别个数是机械设备在正常生产过程中出现的所有工况的统计量，例如，有些设备会以恒定的速度持续工作或者定期地变速工作直至停机；这样，设备的工况类别可划分为停机和运转两种工况，而且不同转速工况被划分为不同的运转工况，请参考图3，图3中展示了从第0秒到第1000秒之间所述半机理特征对应了停机、工况1、工况2三种工况。
在本实施例中，首先确认出机器设备的工况类别个数，记为；然后对所述半机理特征进行归一化处理，消除量纲和数量级对筛选特征过程的影响；接着采用高斯核密度估计方法估计所述半机理特征的概率分布函数，并使用寻峰算法确定所述概率分布函数的峰值点的个数；将峰值点个数的阈值设置为/>，选择峰值点个数等于/>（或者大于等于/>）的半机理特征作为初步筛选特征。
其中，归一化方法使用最大最小归一化公式：
其中，表示原始特征数据中的某一个数值，/>表示原始特征数据中的最小值，表示原始特征数据中的最大值，/>表示经过归一化后的特征数据。所述高斯核密度估计方法的带宽是由Silverman估计方法决定的.
S103，基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征；
具体地，步骤S103包括：设置第二直方图分箱数，并根据所述第二直方图分箱数绘制所述半机理特征的直方图；
使用预设的高斯混合模型获取所述半机理特征的概率分布函数，具体为：
设所述待识别的机器设备的工况类别个数，设置所述高斯混合模型中的混合成分个数为/>，根据所述高斯混合模型获取所述半机理特征的概率分布函数，其中，所述概率分布函数是由/>个正态分布混合而成，/>个正态分布分别记为/>，/>和是第/>个正态分布的均值和标准差；
采用预设的Bhattacharyya距离公式计算所述概率分布函数的区分度，并筛选出区分度大于预设值的半机理特征作为候选特征，具体为：
对所述半机理特征对应的个正态分布/>进行比较处理，比较均值/>的大小，并对所述均值标准差对/>进行排序处理，将两两相邻的正态分布的均值和标准差代入到 Bhattacharyya 距离公式中，计算相邻高斯分量间的区分度，Bhattacharyya 距离公式为：
其中，，/>为第/>个区分度，/>为第/>个正态分布的均值，/>为第/>个正态分布的均值，/>为第/>个正态分布标准差，/>为第/>个正态分布标准差；
根据所述区分度的计算方式Bhattacharyya 距离公式，所述半机理特征都会对应地转化为维区分度向量/>；
依次比较所述维区分度向量/>中的/>个分量的大小，并按照从大到小的顺序对所述半机理特征进行排序处理，生成第一排序结果；
当判断到成立时，利用所述/>维区分度向量/>计算所述/>维区分度向量/>的极差，计算公式为：
其中，为所述/>维区分度向量/>的极差，/>为第/>个区分度；
比较所述维区分度向量/>的极差/>的大小，并按照从小到大的顺序对所述半机理特征进行排序处理，生成第二排序结果；
综合所述生成第一排序结果和所述第二排序结果，筛选出区分度大于区分度预设值且区分度极差小于极差预设值的所述半机理特征，生成候选特征。
在本实施例中，假设所述初步筛选特征共有个，根据机器设备的工况类别数/>，设置高斯中混合成分个数为/>，使用高斯混合模型获取/>个半机理特征的概率分布函数，这样的概率分布函数都是由/>个正态分布混合而成，记为/>，其中/>和/>是第/>个正态分布的均值和标准差；对于任意一个初步筛选特征，通过比较均值/>的大小，按照从小到大的顺序对所有的/>排序，并将两两相邻的正态分布的均值和标准差代入 Bhattacharyya距离公式
计算相邻正态分布间的差异作为区分度，其中；对所述/>个初步筛选特征重复上述过程，对应地生成/>个/>维区分度向量/>；
进一步地，依次比较个区分度向量的/>个分量的大小，按照从大到小的顺序对所述初次筛选特征排序，记录其对应序号为/>，注意若分量/>大小相同，则序号相同，下同；
更进一步地，如果成立，则计算/>个区分度向量的极差：
比较个极差的大小，按照从小到大的顺序对所述初步筛选特征排序，记录其对应序号为/>；最后，以求和的方式汇总所有排序结果以获取所述/>个初次筛选特征的排序结果，依照所述综合序号的大小，从其中选出前/>个序号最小的初步筛选特征当作候选特征，其中/>。
S104，根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据；
具体地，步骤S104包括：根据所述待识别的机器设备的工况类别个数，绘制所述半机理特征的直方图，获取多个分箱及其对应的数据量；
采用预设的多阈值大津算法自适应地选择个分箱，其中，所选定的/>个分箱的中位数分别对应着/>个分类阈值；
结合当前的实际工况，利用所述半机理特征与所述分类阈值的大小关系确定所述候选特征的分类阈值，生成标记数据，以实现对所述候选特征的标记。
在本实施例中，首先确定所述候选特征的数据范围，即所述候选特征的最大值和最小值；然后设置直方图的分箱个数为，其中/>的变化会影响所述候选特征的分布形态，通过将数据范围分成/>个分箱，统计落入每个分箱的数据点个数以计算落入每个分箱的概率，从而使用多阈值大津算法自适应地选择/>个分箱，最后使用/>个分箱的中位数以确定用于工况分类的/>个阈值，再利用所述候选特征与所述阈值的大小关系，结合实际工况以完成数据标记。其中，直方图的分箱个数/>是60，要求远大于所述机器设备的工况类别数/>。
S105，对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征；
具体地，步骤S105包括：使用预设的Relief算法对所述标记数据进行计算处理，计算所述半机理特征与待识别的机器设备的工况类别的相关性，并选择相关性大于相关性预设值的半机理特征；
使用滑动窗口将时间上相邻且属于同一工况类别的所述标记数据进行分割处理，并对所述滑动窗口内的所述标记数据进行特征提取，其中，所述滑动窗口的移动步长、滑动窗口的大小均根据当前的实际工况设置，且允许相邻窗口有重叠；
使用主成分分析法PCA对经过特征提取处理后的所述半机理特征进行降维处理，获取用于工况分类的降维特征。
在本实施例中，对所述标记数据使用Relief算法以计算所述候选特征的权重，通过比较权重的大小，评估特征对工况分类这一目标的重要性，优选地，保留高权重的特征。进而所述半机理特征是间隔为1秒的时间序列，每秒的特征数据可以看作一个样本；对于一段属于同一工况且在时间上连续的特征数据，使用滑动窗口可以所述特征进行时间降维，滑动窗口的移动步长视具体情况而定，允许相邻窗口有重叠，滑动窗口的大小也同样视情况而定，请参考图4。这样，对每个滑动窗口内的特征可以做统计聚合，例如取均值，这样的特征抽取过程有助于减少所述特征数据的噪声。
在本实施例中，利用主成分分析算法（Principal Component Analysis，PCA）提取所述经过特征提取的候选特征的主要信息，增强去噪效果并减小训练工况分类模型时发生过拟合的风险。
S106，将所述降维特征作为监督学习算法的输入值，生成工况分类结果，根据所述工况分类结果完成对所述待识别的机器设备的工况分类工作。
具体地，在本实施例中，利用所述数据获取、特征选择、数据标记、特征提取及特征降维的流程以获得标记数据集；基于所述标记数据集，使用交叉验证方法训练所述监督学习模型以获取工况分类模型，评估所述工况分类模型的泛化能力。通过这样的训练策略，所述监督学习模型能够有效地识别工况。
综上所述，所述基于半机理模型筛选的工况识别方法首先利用半机理模型从机器设备的振动信号和噪声信号提取对应的半机理特征；然后，依次对所述半机理特征进行归一化处理，使用统计学方法、寻峰算法、高斯混合模型和 Bhattacharyya 距离对所述归一化后的半机理特征进行特征筛选；紧接着，使用多阈值大津算法自适应地获取所述半机理特征的分类阈值以完成数据标记；进而对所述标记后的半机理特征进行特征工程，包括特征选择、特征提取和降维处理；最后将所述降维特征放入监督学习模型中以获取所述机器设备的工况识别效果。所述基于半机理模型筛选的工况识别方法通过对机器设备的振动信号和噪声信号进行详尽分析和处理，能够促进工况识别的自动化，提升效率，克服人为误差等影响。
请参阅图5，本发明第二实施例还提供了一种基于半机理模型筛选的工况识别装置, 其包括：
获取半机理特征模块201，用于获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征；
初次筛选半机理特征模块202，用于依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征；
二次筛选半机理特征模块203，用于基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征；
数据标记模块204，用于根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据；
特征工程模块205，用于对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征；
工况识别模块206，用于将所述降维特征作为监督学习算法的输入值，生成工况分类结果，根据所述工况分类结果完成对所述待识别的机器设备的工况分类工作。
本发明第三实施例还提供了一种基于半机理模型筛选的工况识别设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上所述的基于半机理模型筛选的工况识别方法。
本发明第四实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上所述的基于半机理模型筛选的工况识别方法。
示例性的，上述的各个装置以及各个流程步骤可通过计算机程序来实现，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现本发明的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述电子设备或者打印机集成的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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于半机理模型筛选的工况识别方法, 其特征在于，包括：
获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征；
依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征；
基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征；
根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据；
对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征；
将所述降维特征作为监督学习算法的输入值，生成工况分类结果，根据所述工况分类结果完成对所述待识别的机器设备的工况分类工作。
2.根据权利要求1所述的基于半机理模型筛选的工况识别方法，其特征在于，获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征，具体为：
根据当前的场景需求，设置与所述场景需求相互适应的噪声传感器和振动传感器的传感器采样率；
分别获取由设置好采样率的噪声传感器和振动传感器采集到的待识别的机器设备的噪声信号和振动信号；
使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，从所述机器设备的噪声信号和振动信号中提取出与机器设备工况状态的相关信息，并生成多个半机理特征。
3.根据权利要求1所述的基于半机理模型筛选的工况识别方法，其特征在于，依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征，具体为：
对每一所述半机理特征进行归一化处理；
获取归一化处理后的所述半机理特征的概率密度函数，具体为：
设置第一直方图分箱数，并根据所述第一直方图分箱数绘制归一化处理后的所述半机理特征的直方图，并采用核密度估计方法拟合获取概率分布函数；
根据预设的统计学方法和寻峰算法确定所述概率密度函数中的峰值点个数，并判断所述峰值点个数是否大于等于所述待识别的机器设备的工况类别个数；
若是，将所述峰值点个数对应的所述半机理特征作为初次筛选特征；
若否，判断下一个所述半机理特征。
4.根据权利要求1所述的基于半机理模型筛选的工况识别方法，其特征在于，基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征，具体为：
设置第二直方图分箱数，并根据所述第二直方图分箱数绘制所述半机理特征的直方图；
使用预设的高斯混合模型获取所述半机理特征的概率分布函数，具体为：
设所述待识别的机器设备的工况类别个数，设置所述高斯混合模型中的混合成分个数为/>，根据所述高斯混合模型获取所述半机理特征的概率分布函数，其中，所述概率分布函数是由/>个正态分布混合而成，/>个正态分布分别记为 />，/>和/>是第/>个正态分布的均值和标准差；
采用预设的Bhattacharyya距离公式计算所述概率分布函数的区分度，并筛选出区分度大于预设值的半机理特征作为候选特征，具体为：
对所述半机理特征对应的个正态分布 />进行比较处理，比较均值/>的大小，并对所述均值标准差对/>进行排序处理，将两两相邻的正态分布的均值和标准差代入到 Bhattacharyya 距离公式中，计算相邻高斯分量间的区分度，Bhattacharyya 距离公式为：
其中，，/>为第/>个区分度，/>为第/>个正态分布的均值，/>为第个正态分布的均值，/>为第/>个正态分布标准差，/>为第/>个正态分布标准差；
根据所述区分度的计算方式Bhattacharyya 距离公式，所述半机理特征都会对应地转化为维区分度向量 />；
依次比较所述维区分度向量 />中的/>个分量的大小，并按照从大到小的顺序对所述半机理特征进行排序处理，生成第一排序结果；
当判断到成立时，利用所述/>维区分度向量 />计算所述/>维区分度向量 />的极差，计算公式为：
其中，为所述/>维区分度向量 />的极差，/>为第/>个区分度；
比较所述维区分度向量 />的极差/>的大小，并按照从小到大的顺序对所述半机理特征进行排序处理，生成第二排序结果；
综合所述生成第一排序结果和所述第二排序结果，筛选出区分度大于区分度预设值且区分度极差小于极差预设值的所述半机理特征，生成候选特征。
5.根据权利要求4所述的基于半机理模型筛选的工况识别方法，其特征在于，根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据，具体为：
根据所述待识别的机器设备的工况类别个数，绘制所述半机理特征的直方图，获取多个分箱及其对应的数据量；
采用预设的多阈值大津算法自适应地选择个分箱，其中，所选定的/>个分箱的中位数分别对应着/>个分类阈值；
结合当前的实际工况，利用所述半机理特征与所述分类阈值的大小关系确定所述候选特征的分类阈值，生成标记数据，以实现对所述候选特征的标记。
6.根据权利要求1所述的基于半机理模型筛选的工况识别方法，其特征在于，对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征，具体为：
使用预设的Relief算法对所述标记数据进行计算处理，计算所述半机理特征与待识别的机器设备的工况类别的相关性，并选择相关性大于相关性预设值的半机理特征；
使用滑动窗口将时间上相邻且属于同一工况类别的所述标记数据进行分割处理，并对所述滑动窗口内的所述标记数据进行特征提取，其中，所述滑动窗口的移动步长、滑动窗口的大小均根据当前的实际工况设置，且允许相邻窗口有重叠；
使用主成分分析法PCA对经过特征提取处理后的所述半机理特征进行降维处理，获取用于工况分类的降维特征。
7.一种基于半机理模型筛选的工况识别装置, 其特征在于，包括：
获取半机理特征模块，用于获取待识别的机器设备的噪声信号和振动信号，并使用预设的半机理模型对所述机器设备的噪声信号和振动信号进行提取处理，生成多个与所述机器设备的噪声信号和振动信号相对应的半机理特征；
初次筛选半机理特征模块，用于依次对每一所述半机理特征进行归一化处理，根据待识别的机器设备的工况类别个数，结合统计学方法和寻峰算法从所述半机理特征中筛选出初次筛选特征；
二次筛选半机理特征模块，用于基于所述待识别的机器设备的工况类别个数，使用预设的高斯混合模型和Bhattacharyya距离公式对所述初次筛选特征进行二次筛选处理，从所述初次筛选特征中筛选出具有类间区分性的候选特征；
数据标记模块，用于根据所述待识别的机器设备的工况类别个数，使用多阈值大津算法确定所述候选特征的分类阈值，生成标记数据；
特征工程模块，用于对所述标记数据进行特征选择、特征提取和特征降维预处理，获取用于工况分类的降维特征；
工况识别模块，用于将所述降维特征作为监督学习算法的输入值，生成工况分类结果，根据所述工况分类结果完成对所述待识别的机器设备的工况分类工作。
8.一种基于半机理模型筛选的工况识别设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所述的基于半机理模型筛选的工况识别方法。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如权利要求1至6任意一项所述的基于半机理模型筛选的工况识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410423855.9A CN118013248A (zh) | 2024-04-10 | 2024-04-10 | 基于半机理模型筛选的工况识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410423855.9A CN118013248A (zh) | 2024-04-10 | 2024-04-10 | 基于半机理模型筛选的工况识别方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118013248A true CN118013248A (zh) | 2024-05-10 |
Family
ID=90956788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410423855.9A Pending CN118013248A (zh) | 2024-04-10 | 2024-04-10 | 基于半机理模型筛选的工况识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013248A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200293835A1 (en) * | 2019-03-13 | 2020-09-17 | Akamas S.R.L. | Method and apparatus for tuning adjustable parameters in computing environment |
| JP2020173576A (ja) * | 2019-04-10 | 2020-10-22 | 株式会社明電舎 | プラント監視装置 |
| CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
-
2024
- 2024-04-10 CN CN202410423855.9A patent/CN118013248A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200293835A1 (en) * | 2019-03-13 | 2020-09-17 | Akamas S.R.L. | Method and apparatus for tuning adjustable parameters in computing environment |
| JP2020173576A (ja) * | 2019-04-10 | 2020-10-22 | 株式会社明電舎 | プラント監視装置 |
| CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 尹建强: "基于X射线煤矸智能识别的机理研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 01, 15 January 2023 (2023-01-15), pages 021 - 409 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN111177505A (zh) | 指标异常检测模型的训练方法、推荐的方法及装置 | |
| CN110675395A (zh) | 输电线路智能在线监测方法 | |
| CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
| CN112614109B (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN111064719B (zh) | 文件异常下载行为的检测方法及装置 | |
| CN113052577A (zh) | 一种区块链数字货币虚拟地址的类别推测方法及系统 | |
| CN117565284A (zh) | 用于pvc膜加工的自动控制系统及方法 | |
| CN114020811A (zh) | 数据异常检测方法及其装置、电子设备 | |
| CN118013248A (zh) | 基于半机理模型筛选的工况识别方法、装置、设备及介质 | |
| CN112632000A (zh) | 日志文件聚类方法、装置、电子设备和可读存储介质 | |
| CN116975520A (zh) | Ab实验的可信度评估方法、装置、设备和存储介质 | |
| CN115204323B (zh) | 基于种子多特征的聚类及综合的方法、系统、设备及介质 | |
| CN115952059A (zh) | 运维异常值的识别方法、装置、智能运维系统及存储介质 | |
| CN115295016A (zh) | 一种设备运行状态监控方法、装置、设备及存储介质 | |
| CN114528909A (zh) | 一种基于流量日志特征提取的无监督异常检测方法 | |
| CN113722485A (zh) | 一种异常数据识别分类方法、系统及存储介质 | |
| CN114549502A (zh) | 一种人脸质量评估的方法、装置、电子设备及存储介质 | |
| CN113808088A (zh) | 一种污染检测方法及系统 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
| CN115022097B (zh) | 一种公共信息安全监测的方法和系统 | |
| CN116563311B (zh) | 一种基于图像分割的肉制品检测方法及装置 | |
| CN114625786B (zh) | 一种基于风控技术的动态数据挖掘方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |