用于预测性维护的基于卷积算子的特征构造方法及系统技术方案

本发明专利技术公开了一种用于预测性维护的基于卷积算子的特征构造方法及系统，属于机器学习技术领域。本发明专利技术的用于预测性维护的基于卷积算子的特征构造方法，包括以下步骤：S1、对传感器采集的数据进行预处理，得到数据矩阵；S2、设定卷积核；S3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；S4、把新的特征矩阵进行串联，得到新的特征矩阵集合；S5、将机器学习用于新的特征矩阵，进行异常检测。该发明专利技术的用于预测性维护的基于卷积算子的特征构造方法，通过卷积核与传感器数据的卷积，增强特征的鲁棒性，得到更好的特征用于预测性维护，具有很好的推广应用价值。

Convolution operator based feature construction method and system for predictive maintenance

【技术实现步骤摘要】
用于预测性维护的基于卷积算子的特征构造方法及系统
本专利技术涉及机器学习
，具体提供一种用于预测性维护的基于卷积算子的特征构造方法及系统。
技术介绍
预测性维护是智能制造中的关键技术之一。对设备进行智能的预测性维护是现代智能制造企业采取的必然设备维护手段，通过数据手段进行预测性维护的结果判定是现代化数字企业的必经之路。其实现主要通过数据收集、机器学习建模和计算力支撑实现。数据主要产生于设备上安装的各种传感器，经过处理和加工后形成可以使用的有用数据，这些数据表达设备的健康状态。随着传感器的普及和应用，数据的获取成本已经大大下降。因此，通过分析传感器数据的方式判断设备的健康状态是可行的。健康状态的表达需要通过对数据的分析和洞察。传统的方法是基于人工的观察或者通过信号处理的方式提取特征进行分析。随着机器学习的流行和使用，基于统计机器学习的方法在预测性维护领域得到更多的推广和使用。随着近些年人工智能技术中机器学习技术的成熟，很多的机器学习算法变得易用好用。而工业大数据分析的一个长期困扰问题是从数据中构造有用的特征，剔除干扰性，提高信噪比。本文档来自技高网...

【技术保护点】
1.用于预测性维护的基于卷积算子的特征构造方法，其特征在于：该方法包括以下步骤：/nS1、对传感器采集的数据进行预处理，得到数据矩阵；/nS2、设定卷积核；/nS3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；/nS4、把新的特征矩阵进行串联，得到新的特征矩阵集合；/nS5、将机器学习用于新的特征矩阵，进行异常检测。/n

【技术特征摘要】
1.用于预测性维护的基于卷积算子的特征构造方法，其特征在于：该方法包括以下步骤：
S1、对传感器采集的数据进行预处理，得到数据矩阵；
S2、设定卷积核；
S3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；
S4、把新的特征矩阵进行串联，得到新的特征矩阵集合；
S5、将机器学习用于新的特征矩阵，进行异常检测。


2.根据权利要求1所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S1中对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。


3.根据权利要求2所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S2中设定卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。


4.根据权利要求3所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S3中，有多个卷积核时，得到多个新的特征矩阵。


5.根据权利要求4所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S4中，若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。


6.用于预测性维护的基...

【专利技术属性】
技术研发人员：李锐，段强，安程治，金长新，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东;37