基于空域图像融合的机器鱼传感器故障检测方法及装置制造方法及图纸

技术编号:37583097 阅读:20 留言:0更新日期:2023-05-15 07:56
本申请提供一种基于空域图像融合的机器鱼传感器故障检测方法及装置,涉及人工智能领域。所述方法包括:基于第一融合系数以及机器鱼的传感器数据生成融合图片;将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果。本申请提供的基于空域图像融合的机器鱼传感器故障检测方法及装置,通过将机器鱼传感器的一维时序信号转为二维图片,并通过灰狼算法的多次迭代确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。确率故障检测。确率故障检测。

【技术实现步骤摘要】
基于空域图像融合的机器鱼传感器故障检测方法及装置


[0001]本申请涉及人工智能领域,尤其涉及一种基于空域图像融合的机器鱼传感器故障检测方法及装置。

技术介绍

[0002]相比于传统的水下螺旋桨推进器,机器鱼具有低噪声、高机动、高效率等优点。机器鱼通常工作在急流、狭窄等非结构化的恶劣环境下,恶劣的环境增大了故障发生的概率,尤其是安装在鱼体表面的传感器,容易因与外界碰撞而发生故障;另外,机器鱼因其机械结构复杂和控制系统非线性强的特征,子系统的故障会引发连锁反应,对整个系统造成毁灭性的影响。
[0003]受限于机器鱼空间、质量和功耗的约束,机器鱼内部所配置传感器的冗余度不高。特别地,深度传感器易因浑浊水质中杂质堵塞、机器鱼碰撞等意外情况而发生故障,利用深度传感器数据进行故障检测具有重大的实际意义。深度传感器采集的是时序信号,直接处理时序信号能够捕捉短时相关性,但难以提取全局相关性,这会导致故障检测的准确度低。

技术实现思路

[0004]本申请实施例提供一种基于空域图像融合的机器鱼传感器故障检测方法及装置,用以解决相关技术中对机器鱼传感器的故障检测准确度低的技术问题。
[0005]第一方面,本申请实施例提供一种基于空域图像融合的机器鱼传感器故障检测方法,包括:基于第一融合系数以及机器鱼的传感器数据生成融合图片;将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
[0006]在一些实施例中,所述方法还包括:获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
[0007]在一些实施例中,所述方法还包括:获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;
在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
[0008]在一些实施例中,所述基于第一融合系数以及机器鱼的传感器数据生成融合图片,包括:将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
[0009]在一些实施例中,所述将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片,包括:将机器鱼的传感器数据转换为极坐标系下的数据;基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
[0010]在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:;其中,为融合图片的像素值,为第一融合系数,为格拉米角和场图片的像素值,为格拉米角差场图片的像素值。
[0011]在一些实施例中,所述方法还包括:利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
[0012]在一些实施例中,所述方法还包括:对机器鱼的传感器数据进行归一化处理。
[0013]在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
[0014]第二方面,本申请实施例还提供一种基于空域图像融合的机器鱼传感器故障检测装置,包括:第一生成模块,用于基于第一融合系数以及机器鱼的传感器数据生成融合图片;第一获取模块,用于将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
[0015]在一些实施例中,所述装置还包括:第一确定模块,用于获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;第一训练模块,用于基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;第二确定模块,用于在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
[0016]在一些实施例中,所述装置还包括:第一划分模块,用于获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;第一检验模块,用于在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
[0017]在一些实施例中,所述第一生成模块包括第一转换子模块,第一融合子模块,其中:所述第一转换子模块用于将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;所述第一融合子模块用于基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
[0018]在一些实施例中,所述第一获取模块包括第二转换子模块,第一确定子模块,其中:所述第二转换子模块用于将机器鱼的传感器数据转换为极坐标系下的数据;所述第一确定子模块用于基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
[0019]在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:;其中,为融合图片的像素值,为第一融合系数,为格拉米角和场图片的像素值,为格拉米角差场图片的像素值。
[0020]在一些实施例中,所述装置还包括:第一扩增模块,用于利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
[0021]在一些实施例中,所述装置还包括:第一处理模块,用于对机器鱼的传感器数据进行归一化处理。
[0022]在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
[0023]第三方面,本申请实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于空域图像融合的机器鱼传感器故障检测方法。
[0024]第四方面,本申请实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于空域图像融合的机器鱼传感器故障检测方法。
[0025]第五方面,本申请实施例还提供一种本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,包括:基于第一融合系数以及机器鱼的传感器数据生成融合图片;将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。2.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述方法还包括:获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。3.根据权利要求2所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述方法还包括:获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。4.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述基于第一融合系数以及机器鱼的传感器数据生成融合图片,包括:将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成...

【专利技术属性】
技术研发人员:邓赛范绪青范俊峰吴正兴周超谭民
申请(专利权)人:中国科学院自动化研究所
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1