[發(fā)明專利]基于多模態(tài)敏感特征選取融合的設備故障預警方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110590228.0
• 申請日: 2021-05-28
• 公開（公告）號: CN113255777B
• 公開（公告）日: 2023-01-31
• 發(fā)明（設計）人: 張玉彥;文笑雨;李浩;王昊琪;孫春亞;喬東平
• 申請（專利權）人: 鄭州輕工業(yè)大學
• 主分類號: G06F18/2321
• 分類號: G06F18/2321;G06F18/25;G06F18/2135;G06F18/214;G06N3/0464;G06N20/10;G06Q10/20;G08B21/18
• 代理公司: 鄭州優(yōu)盾知識產(chǎn)權代理有限公司 41125
• 代理人: 張真真

1.一種基于多模態(tài)敏感特征選取融合的設備故障預警方法，其特征在于，其步驟如下：

步驟一：采集不同工況下設備正常狀態(tài)的參數(shù)運行數(shù)據(jù)；其中，參數(shù)運行數(shù)據(jù)包括振動數(shù)據(jù)、聲發(fā)射數(shù)據(jù)、溫度數(shù)據(jù)、視頻監(jiān)控數(shù)據(jù)、電信號數(shù)據(jù)和熱成像數(shù)據(jù)；

步驟二：采用特征提取方法對步驟一中的參數(shù)運行數(shù)據(jù)進行提取，得到M維特征向量；其中，特征提取方法包括統(tǒng)計值、頻譜值、直方圖、二維空域信息和卷積神經(jīng)網(wǎng)絡；

所述M維特征向量的獲得方法為：

分別提取振動數(shù)據(jù)、聲發(fā)射數(shù)據(jù)、溫度數(shù)據(jù)和電信號數(shù)據(jù)的12個時域統(tǒng)計特征，包括標準差、均方根、平均值、偏度、峭度、中值、峰峰值、最大梯度值、波形因子、峰值因子、脈沖指標和裕度指標，共48維特征向量；

分別提取振動數(shù)據(jù)和電信號數(shù)據(jù)的傅里葉變換后的頻譜值，分別為固有頻率的1倍頻、2倍頻、3倍頻，共6維特征向量；

分別提取振動數(shù)據(jù)和電信號數(shù)據(jù)的小波包分解的能量及能量熵，共18維特征向量，計算方法為：

其中，E_q,i為q類數(shù)據(jù)的小波包分解的第i個信號分量的能量，q∈[振動數(shù)據(jù)，電信號數(shù)據(jù)]，i＝1,2,…,N，N為小波包分解的信號分量的個數(shù)，A_q,ij為q類數(shù)據(jù)的小波包分解的第i個信號分量的第j個電壓值/幅值，j＝1,2,…,L，L表示信號長度，P_q,i為q類數(shù)據(jù)的小波包分解的第i個信號分量的能量占比，Entropy_q為q類數(shù)據(jù)的小波包分解的能量熵，Q_q,i為q類數(shù)據(jù)的小波包分解的第i個信號分量的真實的能量占比；

分別提取振動數(shù)據(jù)和電信號數(shù)據(jù)的經(jīng)驗模式分解的能量及能量熵，共18維特征向量；

分別提取視頻監(jiān)控數(shù)據(jù)和熱成像數(shù)據(jù)的RGB三個通道的灰度直方圖，每個通道256個值，共768×2維特征向量；

采用卷積神經(jīng)網(wǎng)絡提取熱成像數(shù)據(jù)的100維特征，共100維特征向量；

將所有維度特征向量連接到一個特征向量，共1726維特征向量，即M＝1726；

步驟三：采用標準化預處理方法對M維特征向量進行尺度縮放，得到標準化的特征數(shù)據(jù)；

步驟四：運用基于Mercer內核的核PCA對步驟三中的標準化的特征數(shù)據(jù)進行分析，基于最大協(xié)方差理論，計算每個特征的貢獻率，選取前95％貢獻率的特征作為敏感特征；

步驟五：將步驟四中的敏感特征輸入到GMM模型，擬合敏感特征在高維空間的概率分布，得到訓練好的GMM模型；

步驟六：在線獲取設備運行時的實時狀態(tài)數(shù)據(jù)，并利用步驟二中的特征提取方法對實時狀態(tài)數(shù)據(jù)進行特征提取，得到設備在線狀態(tài)的M維特征向量；

步驟七：利用步驟三中的標準化預處理方法對設備在線狀態(tài)的M維特征向量進行規(guī)整后，并利用步驟四中的基于Mercer內核的核PCA選取多模態(tài)敏感特征；

步驟八：將步驟七中的多模態(tài)敏感特征輸入到步驟五中訓練好的GMM模型，得到設備屬于正常狀態(tài)的概率值，當概率值小于預設的閾值時，設備出現(xiàn)故障，進行報警，否則，設備運行正常，不報警。

2.根據(jù)權利要求1所述的基于多模態(tài)敏感特征選取融合的設備故障預警方法，其特征在于，所述步驟六中的實時狀態(tài)數(shù)據(jù)包括振動數(shù)據(jù)、聲發(fā)射數(shù)據(jù)、溫度數(shù)據(jù)、視頻監(jiān)控數(shù)據(jù)、電信號數(shù)據(jù)和熱成像數(shù)據(jù)。

3.根據(jù)權利要求1所述的基于多模態(tài)敏感特征選取融合的設備故障預警方法，其特征在于，所述分別提取振動數(shù)據(jù)和電信號數(shù)據(jù)的經(jīng)驗模式分解的能量及能量熵的計算方法為：

其中，E_q,i'為q類數(shù)據(jù)的經(jīng)驗模式分解的第i'個信號分量的能量，i'＝1,2,…,N'，N'為經(jīng)驗模式分解的信號分量的個數(shù)，A_q,i'j'為q類數(shù)據(jù)的經(jīng)驗模式分解的第i'個信號分量的第j'個電壓值/幅值，j'＝1,2,…,L'，L'表示信號長度，P_q,i'為q類數(shù)據(jù)的經(jīng)驗模式分解的第i'個信號分量的能量占比，Entropy'_q為q類數(shù)據(jù)的經(jīng)驗模式分解的能量熵，Q_q,i'為q類數(shù)據(jù)的經(jīng)驗模式分解的第i'個信號分量的真實的能量占比。