[發(fā)明專利]一種基于圖像結構相似度的故障診斷模型性能評價方法

在審

• 申請?zhí)枺?/td>: 202210140289.1
• 申請日: 2022-02-16
• 公開（公告）號: CN114492665A
• 公開（公告）日: 2022-05-13
• 發(fā)明（設計）人: 胡宇;孟臻
• 申請（專利權）人: 南京凱亞思智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提出一種基于圖像結構相似度的故障診斷模型性能評價方法，屬于故障識別領域。該方法適用于基于特征聚類的故障診斷模型，將圖像輪廓相似度作為故障診斷模型性能的評價指標。該方法將隨機改變故障分類結果的類內元素數(shù)量。將變化前后的類利用狄利克雷鑲嵌圖方法分別轉化為泰森圖；基于圖像邊緣檢測技術與小波描述子方法，提取并計算兩個泰森圖的邊界及小波描述子；基于泰森圖的亮度相似度、對比度相似度及邊界相似度三個計算塊，構建泰森圖的結構相似度計算模型，相似度值表征故障診斷模型的性能。該方法使用前不需要預知故障診斷模型的參數(shù)，速度快、準確性高，實現(xiàn)了故障診斷模型性能評價方法的泛化能力。

技術領域

本發(fā)明涉及一種基于圖像結構相似度的故障診斷模型性能評價方法，屬于故障識別領域。

背景技術

隨著現(xiàn)代工業(yè)技術和信息技術的發(fā)展，新能源、通信、計算機和工業(yè)等各個領域的生產制造系統(tǒng)日趨復雜，這些系統(tǒng)由于結構的復雜性和各種潛在因素的影響，不可避免的存在故障隱患，隱患一旦誘發(fā)會造成不同程度的人員及經濟損失，因此，系統(tǒng)的故障診斷方法成為研究者關注的焦點，目前，大量研究著眼于優(yōu)化故障診斷模型的準確率，通常由診斷準確度衡量其改進結果，實際應用中模型穩(wěn)定性越高，需要付出的成本代價越大，因此，有必要分析模型穩(wěn)定性對故障診斷有效性的影響。

現(xiàn)有的故障診斷模型準確率的衡量仍缺乏統(tǒng)一體系，主要方法有相對偏差法、殘差平方和法等誤差分析法，灰色相關理論和基于統(tǒng)計數(shù)據(jù)的ED 檢驗、置信區(qū)間等方法，灰色相關理論可以實現(xiàn)多數(shù)據(jù)輸入的診斷，但只能應用于同一特征參數(shù)的范圍內，無法勝任不同特征范圍的參數(shù)間聯(lián)系的決定，不適用不同范圍特征參數(shù)的故障診斷模型間相對比較，殘差平方和法是適用于回歸模型的評估方法，受因變量和自變量絕對值大小的影響，不利于在不同故障診斷模型間進行相對比較，置信區(qū)間指標是基于測試數(shù)據(jù)組診斷推理結果符合正態(tài)分布的假設，在數(shù)據(jù)規(guī)模較小的情況下將產生較大誤差，且置信區(qū)間上限不隨準確度的增加而收斂于1，所以不適用于故障診斷準確度高的模型，上述主流故障診斷模型性能評價方法，需要在診斷模型參數(shù)已知或故障數(shù)據(jù)標簽已知的條件下開展，屬于有監(jiān)督學習，對于計算成本與時間成本都有一定的要求，不能滿足在故障診斷模型的參數(shù)等未知的情況下，對診斷模型性能提供客觀的評價，因此，提高故障診斷模型性能評估的泛化能力可以滿足高性能故障診斷模型建立的需求。

發(fā)明內容

本發(fā)明的目的是提出一種基于圖像結構相似度的故障診斷模型性能評價方法，該方法適用于基于特征聚類的故障診斷模型，將圖像結構相似度作為故障診斷模型性能的評價指標；首先，將故障數(shù)據(jù)隨機分為兩個子集，構成原始集與測試集；然后，采用任一故障診斷模型對原始集與測試集進行分類操作，分別形成原始類Ⅰ、原始類Ⅱ、……、原始類N，測試類Ⅰ、測試類Ⅱ、……、測試類N；再次，采用狄利克雷鑲嵌圖分別將N個原始類與測試類進行圖形化映射；然后利用卷積神經網(wǎng)絡分別提取原始類與測試類映射圖的邊界，利用小波形狀描述子構建二者邊界的特征向量；最后采用基于圖像邊界的圖像結構相似度評價方法，實現(xiàn)故障診斷模型的性能評價。

本發(fā)明提出的一種基于圖像結構相似度的故障診斷模型性能評價方法，包括以下步驟：

⑴搭建一個電機軸承故障模擬仿真平臺，得到一組包含四個變量的軸承故障數(shù)據(jù)；

⑵按照一定比例隨機抽取部分數(shù)據(jù)作為子集，與原數(shù)據(jù)分別記為原始集與測試集，采用任一個基于特征聚類的故障診斷模型在原始集與測試集進行分類；假設原始集與測試集皆被分為N個類，分別記為原始類Ⅰ、原始類Ⅱ、……、原始類N，測試類Ⅰ、測試類Ⅱ、……、測試類N，為一一對應關系；從中隨機挑選一個類作為實驗對象，如原始類Ⅰ與測試類Ⅰ；

⑶將步驟⑵中原始類與測試類采用狄利克雷鑲嵌圖方法映射為二維的泰森圖；

⑷提取原始類與測試類的泰森圖的邊界；

⑸基于小波形狀描述子計算原始類與測試類的泰森圖的邊界特征；

⑹構建故障診斷模型性能評價方法。

進一步的，所述步驟⑷具體步驟如下：