一种基于熵权法的水泵特征优选装置制造方法及图纸

本实用新型专利技术涉及水泵故障诊断技术领域，目前随着人工智能算法的渗透，供水行业渐渐通过它来解决生产中水泵出现的问题，需要提取水泵待诊断部件各类信号中的样本特征，而在现有装置中没有系统完整的装置，导致样本特征的区分度和变异度大大受损，影响模型分类的正确率。本实用新型专利技术公开了一种基于熵权法的水泵特征优选装置，包括：提取水泵样本的特征属性值，组成特征矩阵Y；获得特征属性对应的正负样本属性值；归一化，获得特征矩阵Y的归一化矩阵；计算所述归一化矩阵各个特征属性的权重B，计算所述特征矩阵Y中各个特征维的权重C；计算特征属性占比值D，其中最大值对应的特征属性集即为最优的特征子集A。集即为最优的特征子集A。集即为最优的特征子集A。

【技术实现步骤摘要】
一种基于熵权法的水泵特征优选装置


[0001]本技术涉及水泵故障诊断
，具体而言，涉及一种基于熵权法的水泵特征优选装置，核心思想是利用熵权法确定水泵特征子集的搜索策略，通过评价每个特征子集经过机器学习的结果确定最优特征子集，从而实现水泵特征的优选。

技术介绍

[0002]目前水泵作为供水系统设备重要角色，同时在风力发电领域对风力发电机组重要部件的降温也起到相当重要的作用，采用水泵循环水对风力发电机组重要部件进行热量的交换，其正常工作与否直接与人们的日常生活紧密相关，水泵故障的及时识别，对保证水泵的正常运转起着至关重要的作用，水泵一旦发生故障，如果不能及时进行维修，就会造成停机的影响，不仅造成经济效益的损失，还会影响人们的正常生活，因此，对水泵上的各个旋转设备的故障诊断非常重要。
[0003]随着人工智能算法在各个行业的渗透，供水行业也渐渐通过它来解决生产过程中水泵出现的一些问题，针对其中的水泵故障诊断问题，需要先采集水泵待诊断部件的声音信号或振动信号，然后采用相关的信号处理算法提取信号中的样本特征，最后按照实际情况选择合适的学习器建立故障诊断的识别模型，其中样本特征的区分度以及变异度将直接影响模型分类的正确率，所以需要对提取的特征进行特征选择，确定最优的特征子集。离散度越大、变异度越高的特征维更有利于样本的分类，而离散度小的特征维属于冗余特征，不利于样本的区分，这对如何更加精准的提取特征值是个考验。

技术实现思路

[0004]本技术旨在提供一种基于熵权法的水泵特征优选装置，以便实现运行水泵特征优选方法的硬件实施基础。
[0005]本技术提供的技术方案为:
[0006]特征单元、与所述特征单元电连接的样本属性单元、与所述样本属性单元电连接的归一化单元、与归一化单元电连接的权重单元以及与权重单元电连接的特征子集单元；
[0007]所述特征单元，根据一特征属性集提取一组水泵样本中各水泵样本的特征属性值，从一水泵样本中所提取的特征属性值组成该水泵样本的特征维，全部水泵样本的特征维组成该组水泵样本的特征矩阵Y；
[0008]所述样本属性单元，遍历所述特征矩阵Y中各水泵样本对应特征维，根据一计算装置，获得各特征维中各个特征属性值对应的正样本属性和负样本属性；
[0009]所述归一单元，根据所述特征矩阵Y中各个特征属性值的正负样本属性值对其进行归一化，以获得所述特征矩阵Y的归一化矩阵Y
′
；
[0010]所述权重单元，根据所述归一化矩阵Y
′
，使用熵权法计算所述特征属性集中各个特征属性在该组水泵样本的权重B，根据所述特征属性的权重B计算所述特征矩阵Y中各个特征维的权重C；
[0011]所述特征子集单元，计算所述各个水泵样本特征属性在该组水泵样本中的占比值D
′
，并对所述占比值排序，组成占比值集合D，其中所述占比值集合D中最大的占比值D
′
对应的特征属性集即为最优的特征子集A。
[0012]进一步的，所述特征属性集的获得装置包括小波变换法、EMD分解法、梅尔倒谱系数法和时域波形属性特法。
[0013]所述特征矩阵Y大小为n
×
k，n为水泵各水泵样本个数，K为水泵样本的特征属性个数，该矩阵包含着设备运行状态的特征信息。
[0014]所述所述特征数据矩阵，假设给定了K个各水泵样本特征属性，X1，X2， X3
……
XK,每个各水泵样本特征属性由n个组成，即X
i
＝{X
i1
,X
i2
,X
i3
,......X
in
}。假设对各样本属性数据标准化后的值为Y
i
＝{Y1,Y2,Y3,......Y
n
}，那么特征数据矩此公式为所述正样本属性专用，或此公式为所述负样本属性专用,其中i＝{1,2,3,......k}， j＝{1,2,3,......n}，min(X
i
)为第i个样本属性中最小值，max(X
i
)为第i个样本属性中最大值，X
ij
为第i个样本属性组中的第j个样本属性,即根据原始评分表，对数据进行标准化后可以得到数据标准化表。
[0015]进一步的，特征属性的正负样本属性值的计算装置包括用于处理直观数据的装置一和用于处理抽象数据的装置二。
[0016]所述装置一为直观数据判断法，由所述水泵样本特征维的数值为输入条件，判断所述水泵样本特征矩阵Y特征属性值的大小；如果所述水泵样本特征矩阵Y 特征属性值的大小正比于所述水泵样本特征维的数值，则此特征属性值对应的特征属性为正样本属性，反之为负样本属性。
[0017]所述装置二为抽象数据判断装置，将所述水泵特征样本进行聚类处理，从不同的团簇中任取Q个特征样本在同一坐标系上画出所述从不同的团簇任取Q个特征样本的折线图，其中从所述团簇中最大团簇抽取的样本为参考样本，则其它所述团簇样本特征维特征属性值大于所述参考样本特征维中特征属性值，则该特征属性值对应的特征属性即为正样本属性，反之为负样本属性。
[0018]所述特征维为水泵样本中若干个水泵样本特征属性的集合，所述聚类处理，即聚类分析是指将物理或抽象对象的集合分组为由类似对象组成的多个类的分析过程。简单地来说，聚类分析就是将一组元数据划分为多个类或簇，同一个簇中的数据具有很大的相似性，而不同簇中的数据具有较大的差异性。聚类与分类是不同的，因为聚类所要求划分的类是未知的，这与机器学习中的无监督学习过程相似。也正因为聚类过程是没有明确方向的，所以不同的聚类装置往往会得到不同的结果。
[0019]所述特征子集需要特征选择，是指从已有的M个特征中选择N个特征使得系统的特定样本属性最优化，是从原始特征中选择出一些最有效特征以降低数据集的维度的过程。
[0020]所述一定数目的特征子集，针对降序排列的K个特征维，依次选取第1、2、 3
……
第K维组成K特征子集。此处的K为水泵样本的特征属性个数。
[0021]进一步的，将不同的所述特征子集组成一机器学习模型的训练集，计算所述各个水泵样本特征属性在该组水泵样本中的占比值D。
[0022]进一步的，所述水泵样本特征属性在该组水泵样本中占比值D由所述机器学习模型计算而得，所述机器学习模型包括输入条件1、输入条件2及输出结果3，其中所述输入条件1为所述特征矩阵Y中各个所述特征维水泵样本的权重C，输入条件2为所述特征矩阵Y对应的特征属性值，输出结果3所述水泵样本特征属性占比值D，经过所述输入条件1和输入条件2二者的乘积而后相加而得。
[0023]进一步的，所述机器学习包括有监督学习和无监督学习两个类型，其中所述有监督学习是从给定的所述水泵样本特征属性集中设定一个函数，当新的所述水泵样本特征属性值输入时，可以根据所述函数预测计算结果；所述无监督学习是根据所述水本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于熵权法的水泵特征优选装置，其特征在于，包括：特征单元、与所述特征单元电连接的样本属性单元、与所述样本属性单元电连接的归一化单元、与归一化单元电连接的权重单元以及与权重单元电连接的特征子集单元；所述特征单元，用于读取根据一特征属性集提取一组水泵样本中各水泵样本的特征属性值，并输出该组水泵样本的特征矩阵Y；所述样本属性单元，用于读取所述特征矩阵Y中各水泵样本对应特征维，根据一计算装置，获得并输出各特征维中各个特征属性值对应的正样本属性和负样本属性；所述归一单元，...

【专利技术属性】
技术研发人员：张雨帆，吴亚乔，王稳健，赵冰，陈世超，
申请(专利权)人：石家庄德贤建筑工程有限公司，
类型：新型
国别省市：