一种制造大数据健康信息的智能解析方法技术

本发明专利技术公开了一种制造大数据健康信息的智能解析方法，本发明专利技术针对历史制造大数据“碎片化”，通过多源信号重采样、时‑频联合分析、变粒度分析与维度转换等数据规整算法，建立设备监测大数据的质量评价指标、数据提纯算法、反褶积网络等，实现大数据提纯和复杂故障特征的自适应提取，旨在实现制造大数据健康信息的智能解析与表征技术。结合深度学习理论，探寻制造过程多种健康状态与其监测信号之间因果关系，建立在轨制造过程健康状态的深度识别模型，克服传统浅层识别模型确诊率低、鲁棒性差等先天缺陷，全面描述制造过程机电设备的健康状态，实现多标记故障的智能识别，从而实现制造过程健康状态的深度学习与智能识别技术。

【技术实现步骤摘要】
一种制造大数据健康信息的智能解析方法
本专利技术涉及工业制造大数据处理领域，尤其是一种制造大数据健康信息的智能解析方法。
技术介绍
随着市场竞争的不断加剧，如何提升工业机电设备的竞争力是企业生存的关键。传统设备的改善方法在于提升产品的性能和降低成本，不过随着时间的推移，改善性能和降低成本的局限性越来越明显，创新乏力。因此，如何能是现有机电设备保有更成熟的性能和更持久的生命力是未来发展的方向。因此，监测机电设备的健康信息显得尤为重要，而如何智能解析与表征健康信息需要面向制造大数据机器学习。
技术实现思路
为了克服上述现有技术中的不足，本专利技术提供了一种制造大数据健康信息的智能解析方法。本专利技术解决其技术问题所采用的技术方案为：一种制造大数据健康信息的智能解析方法，包括以下步骤101、多源信号重采样：从待监控工业机电设备接收多个时间交织输入信号；通过使用多个时间交织滤波系数对所述交织输入信号中的每一个交织输入信号进行并行滤波来生成多个滤波信号；以及将多个分组的所述多个滤波信号相加成多个信号流；其中，所述多个分组中的每个分组包括多个滤波信号成员，每个滤波信号成员来自所述多个时间交织输入信号中的不同交织输入信号；102、时-频联合分析：获取目标滤波信号以及非目标滤波信号的各自集中频段；根据集中频段，对模拟量信号进行整流前滤波，获得混合信号A与混合信号B；所述的混合信号A包含大部分的目标滤波信号和少部分的非目标滤波信号，而背景噪声信号则被抑制；所述的混合信号B则包含少部分的目标滤波信号和大部分的非目标滤波信号，且背景噪声信号也被抑制，分别对混合信号A的幅值信号及混合信号B的幅值信号赋予相应的权值，并进行求和，得到处理后的健康信号。所述的一种制造大数据健康信息的智能解析方法还包括103、变粒度分析法：步骤一，构建健康信号指标集；指标集分为三层，细粒度指标为底层指标，中粒度指标为中层指标，粗粒度指标为上层指标，对中层及上层指标的评价值均基于底层指标的评价值；采用云模型的方法对指标进行不确定性处理，以解决指标从定性评价值到定量评价值的转化；其中云模型通过三个数字特征期望Ex、熵En、超熵He完成模糊概念到具体数值的转化；步骤二，构建健康信号变粒度评价体系；步骤三，获得的每个健康信号在不同服务质量级别上的得分VHQ，VMQ，VLQ，用户根据自己对健康信号的质量需求，对不同质量级别的健康信号的得分值进行排序，进行选择。本专利技术带来的有益效果有：本专利技术针对历史制造大数据“碎片化”，通过多源信号重采样、时-频联合分析、变粒度分析与维度转换等数据规整算法，建立设备监测大数据的质量评价指标、数据提纯算法、反褶积网络等，实现大数据提纯和复杂故障特征的自适应提取，旨在实现制造大数据健康信息的智能解析与表征技术。结合深度学习理论，探寻制造过程多种健康状态与其监测信号之间因果关系，建立在轨制造过程健康状态的深度识别模型，克服传统浅层识别模型确诊率低、鲁棒性差等先天缺陷，全面描述制造过程机电设备的健康状态，实现多标记故障的智能识别，从而实现制造过程健康状态的深度学习与智能识别技术。具体实施方式本专利技术的一种制造大数据健康信息的智能解析方法，包括以下步骤101、多源信号重采样：从待监控工业机电设备接收多个时间交织输入信号；通过使用多个时间交织滤波系数对所述交织输入信号中的每一个交织输入信号进行并行滤波来生成多个滤波信号；以及将多个分组的所述多个滤波信号相加成多个信号流；其中，所述多个分组中的每个分组包括多个滤波信号成员，每个滤波信号成员来自所述多个时间交织输入信号中的不同交织输入信号；102、时-频联合分析：获取目标滤波信号以及非目标滤波信号的各自集中频段；根据集中频段，对模拟量信号进行整流前滤波，获得混合信号A与混合信号B；所述的混合信号A包含大部分的目标滤波信号和少部分的非目标滤波信号，而背景噪声信号则被抑制；所述的混合信号B则包含少部分的目标滤波信号和大部分的非目标滤波信号，且背景噪声信号也被抑制，分别对混合信号A的幅值信号及混合信号B的幅值信号赋予相应的权值，并进行求和，得到处理后的健康信号。所述智能解析方法还包括103、变粒度分析法：步骤一，构建健康信号指标集；指标集分为三层，细粒度指标为底层指标，中粒度指标为中层指标，粗粒度指标为上层指标，对中层及上层指标的评价值均基于底层指标的评价值；采用云模型的方法对指标进行不确定性处理，以解决指标从定性评价值到定量评价值的转化；其中云模型通过三个数字特征期望Ex、熵En、超熵He完成模糊概念到具体数值的转化；步骤二，构建健康信号变粒度评价体系；步骤三，获得的每个健康信号在不同服务质量级别上的得分VHQ，VMQ，VLQ，用户根据自己对健康信号的质量需求，对不同质量级别的健康信号的得分值进行排序，进行选择。基于多粒度、多层次、多需求的考虑对健康信息进行综合性地定量评价，通过云模型对健康信息指标进行定性到定量的转化，较为全面地评价健康信息单个与综合性能，实现复杂云计算环境下对健康信息的综合、有效选择。本专利技术针对历史制造大数据“碎片化”，通过多源信号重采样、时-频联合分析、变粒度分析与维度转换等数据规整算法，建立设备监测大数据的质量评价指标、数据提纯算法、反褶积网络等，实现大数据提纯和复杂故障特征的自适应提取，旨在实现制造大数据健康信息的智能解析与表征技术。结合深度学习理论，探寻制造过程多种健康状态与其监测信号之间因果关系，建立在轨制造过程健康状态的深度识别模型，克服传统浅层识别模型确诊率低、鲁棒性差等先天缺陷，全面描述制造过程机电设备的健康状态，实现多标记故障的智能识别，从而实现制造过程健康状态的深度学习与智能识别技术。需要说明的是，以上所述只是本专利技术的较佳实施例而已，本专利技术并不局限于上述实施方式，只要其以相同的手段达到本专利技术的技术效果，都应属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种制造大数据健康信息的智能解析方法，其特征在于：包括以下步骤101、多源信号重采样：从待监控工业机电设备接收多个时间交织输入信号；通过使用多个时间交织滤波系数对所述交织输入信号中的每一个交织输入信号进行并行滤波来生成多个滤波信号；以及将多个分组的所述多个滤波信号相加成多个信号流；其中，所述多个分组中的每个分组包括多个滤波信号成员，每个滤波信号成员来自所述多个时间交织输入信号中的不同交织输入信号；102、时‑频联合分析：获取目标滤波信号以及非目标滤波信号的各自集中频段；根据集中频段，对模拟量信号进行整流前滤波，获得混合信号A与混合信号B；所述的混合信号A包含大部分的目标滤波信号和少部分的非目标滤波信号，而背景噪声信号则被抑制；所述的混合信号B则包含少部分的目标滤波信号和大部分的非目标滤波信号，且背景噪声信号也被抑制，分别对混合信号A的幅值信号及混合信号B的幅值信号赋予相应的权值，并进行求和，得到处理后的健康信号。

【技术特征摘要】
1.一种制造大数据健康信息的智能解析方法，其特征在于：包括以下步骤101、多源信号重采样：从待监控工业机电设备接收多个时间交织输入信号；通过使用多个时间交织滤波系数对所述交织输入信号中的每一个交织输入信号进行并行滤波来生成多个滤波信号；以及将多个分组的所述多个滤波信号相加成多个信号流；其中，所述多个分组中的每个分组包括多个滤波信号成员，每个滤波信号成员来自所述多个时间交织输入信号中的不同交织输入信号；102、时-频联合分析：获取目标滤波信号以及非目标滤波信号的各自集中频段；根据集中频段，对模拟量信号进行整流前滤波，获得混合信号A与混合信号B；所述的混合信号A包含大部分的目标滤波信号和少部分的非目标滤波信号，而背景噪声信号则被抑制；所述的混合信号B则包含少部分的目标滤波信号和大部分的非目标滤波信号，且背景噪声信号也被...

【专利技术属性】
技术研发人员：张彩霞，王向东，王新东，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44