[發(fā)明專利]一種基于SDRSN的多特征健康因子融合方法

有效

• 申請?zhí)枺?/td>: 202011606166.X
• 申請日: 2020-12-28
• 公開（公告）號: CN112816191B
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 楊京禮;高天宇;姜守達
• 申請（專利權）人: 哈爾濱工業(yè)大學
• 主分類號: G01M13/00
• 分類號: G01M13/00;G01H17/00;G06K9/62;G06N3/08
• 代理公司: 哈爾濱華夏松花江知識產權代理有限公司 23213
• 代理人: 岳昕

1.一種基于SDRSN的多特征健康因子融合方法，其特征在于包括：

步驟一：采集旋轉機械的原始振動信號；

步驟二：對旋轉機械的原始振動信號進行平滑和去噪預處理，然后對預處理后的旋轉機械的原始振動信號進行時域、頻域和時頻域特征的提取，并構建原始特征集，然后對原始特征集中的信號進行歸一化處理；

步驟三：利用歸一化后的原始特征集進行篩選后構造敏感特征集；

步驟四：將敏感特征集輸入SDRSN模型進行特征融合訓練，將測試集的數據輸入到訓練好的模型中，得到表征旋轉機械健康狀態(tài)的健康因子；

所述SDRSN模型包括殘差塊、注意力機制和軟閾值化，所述殘差塊包括直接映射部分和殘差部分，

所述直接映射部分用于將輸入特征進行復制后直接作為輸出特征A；

所述殘差部分包括卷積層、批量歸一化層和SELU激活層；

所述卷積層用于對輸入特征進行特征提取，得到卷積層輸出特征；

所述批量歸一化層用于將卷積層輸出特征進行歸一化處理；

所述SELU激活層用于對歸一化后的特征進行非線性變換，得到非線性特征；

所述注意力機制用于發(fā)現(xiàn)輸入特征的干擾特征，并根據非線性特征自適應學習軟閾值，得到閾值τ；

所述軟閾值化用于根據閾值τ將非線性特征中絕對值小于閾值的特征刪除，并將絕對值大于閾值的特征向0的方向收縮，得到輸出特征B；

所述輸出特征A與輸出特征B進行累加后作為模型的最終輸出；

所述模型的最終輸出表示為：

x_l+1＝x_l+F(x_l,W_l)

其中，x_l表示輸出特征A，F(xiàn)(x_l,W_l)表示輸出特征B；

所述卷積層輸出特征表示為：

y¹＝∑x*k+b

其中，x表示輸入特征，k表示卷積核，b表示偏置；

所述歸一化處理表示為：

其中，N表示特征y¹中觀察值的數量，表示y¹的第n個觀察值，表示特征的第n個觀察值，ε為常數，表示特征y²的第n個觀察值，γ為縮放參數，β為偏置參數；

所述非線性特征表示為：

其中，表示特征y³的第n個觀察值，λ＝1.0507009873554804，

α＝1.6732632423543772。

2.根據權利要求1所述的一種基于SDRSN的多特征健康因子融合方法，其特征在于所述ε＝0.01。

3.根據權利要求1所述的一種基于SDRSN的多特征健康因子融合方法，其特征在于所述閾值τ表示為：

τ＝α×A

其中，A為均值特征。

4.根據權利要求3所述的一種基于SDRSN的多特征健康因子融合方法，其特征在于所述輸出特征B表示為：

其中，表示特征y⁴的第n個觀察值。

5.根據權利要求1所述的一種基于SDRSN的多特征健康因子融合方法，其特征在于所述步驟三中利用歸一化后的原始特征集進行篩選通過采用相關性指標、單調性指標和魯棒性指標作為特征量的評價標準進行篩選，所述相關性指標用于衡量特征參數序列與時間序列之間的線性相關程度；所述單調性指標用于反映特征參數序列單調上升或下降的變換程度；所述魯棒性指標用于描述特征參數序列對包括噪聲干擾在內的異常因素的包容能力。