【技术实现步骤摘要】
基于SAE的检定故障特征提取方法、装置、设备以及介质
本专利技术涉及计量检定故障分析
，尤其是涉及一种基于SAE的检定故障特征提取方法、装置、设备以及介质。
技术介绍
目前，在流水线故障诊断方法上，通常对流水线主流的检定方式是使用各种传感器技术、视频技术、报文等方式采集各种系统运行数据，然后通过专家判断法和SDG模型等传统的数据挖掘方式进行故障的诊断。依据专家经验的故障诊断模型带有明显的主观，严重依赖检定系统运维专家的水平，故障诊断的准确率不高。近年来，机器学习等人工智能算法开始应用于故障诊断，而大多的机器学习故障诊断模型都是运用有监督的学习策略，即根据由先验知识判断得到的故障类型，需选取合适的方法提取故障特征。然而，故障类型的标签数据需要由大量的实验和专业知识分析得到。其仍然不可避免存在主观判断的因素，从而降低模型的准确度，因此需要提出一种新的故障特征提取方法。
技术实现思路
本专利技术的目的是提供一种能够无需先验知识并自动挖掘海量设备运行数据内在规律的基于SAE的检定故障特征提取方法、装...
【技术保护点】
1.一种基于SAE的检定故障特征提取方法，其特征在于，包括以下步骤：/nS10：获取用于检定故障的初始数据；/nS20：对所述初始数据进行预处理，并将所述预处理后对应的数据分为样本集和测试集；/nS30：构建堆叠自编码神经网络；/nS40：根据所述样本集，对所述堆叠自编码神经网络进行预训练，得到待测试神经网络，然后根据测试集，对所述待测试神经网络并进行网络微调，得到故障特征提取网络；/nS50：通过实时获取待检定对象的运行数据，将所述运行数据输入至所述故障特征提取网络，获取所述运行数据的故障特征。/n
【技术特征摘要】
1.一种基于SAE的检定故障特征提取方法，其特征在于，包括以下步骤：
S10：获取用于检定故障的初始数据；
S20：对所述初始数据进行预处理，并将所述预处理后对应的数据分为样本集和测试集；
S30：构建堆叠自编码神经网络；
S40：根据所述样本集，对所述堆叠自编码神经网络进行预训练，得到待测试神经网络，然后根据测试集，对所述待测试神经网络并进行网络微调，得到故障特征提取网络；
S50：通过实时获取待检定对象的运行数据，将所述运行数据输入至所述故障特征提取网络，获取所述运行数据的故障特征。
2.根据权利要求1所述的基于SAE的检定故障特征提取方法，其特征在于，步骤S10中，所述初始数据，包括历史运行数据和实时产生的设备运行数据。
3.根据权利要求2所述的基于SAE的检定故障特征提取方法，其特征在于，步骤S20具
体包括下述步骤：
S21：对所述历史运行数据和实时产生的所述设备运行数据进行数据融合和数据清洗，其中所述数据清洗包括：去重处理、缺失值处理以及异常值处理；
S22：将所述初始数据预处理后对应的数据按照预设的规则分为样本集和测试集。
4.根据权利要求1所述的基于SAE的检定故障特征提取方法，其特征在于，步骤S30具体包括下述步骤：
S31：设置U个自编码器进行堆叠，得到初级网络，其中U为正整数；
S32：在所述初级网络的顶层加上softmax分类器，得到所述堆叠自编码神经网络。
5.根据权利要求4所述的基于SAE的检定故障特征提取方法，网络训练包括：预训练过程和微调过程，其特征在于，步骤S40包括下述步骤：
S41：所述预训练过程：将所述样本集中的数据输入至所述堆叠自编码神经网络中，通过所述自编码器进行无监督训练，然后利用梯度下降算法优化所述softmax分类器的代价函数，获得所述堆叠自编码神经网络的初始参数，并将预训练后对应的所述堆叠自编码神经网络作为待测试神经网络；
S42：所述微调过程：将所述测试集中的数据输入至所述待测试神经网络，根据所述初始参数，通过循环前向传播和反向传播，不断更新每层参数，直至达到最大迭代次数，然后保存更新后的各层参数，得到故障提取特征网络。
6.根据权利要求5所述的基于SAE的检定故障特征提取方法，其特征在于，步骤S41具体包括下述步骤：
S411：将所述样本集的数据输入至第一个自编码器进行无监督训练，获得自编码网络的最佳参数和，并通过激活函数计算隐藏层的激活...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。