【技术实现步骤摘要】
本专利技术涉及机械设备状态监测领域，具体为一种基于方差的低算力传感器振动状态识别方法。
技术介绍
1、机械设备运行过程中，通常需要实时进行状态监测。现有方法一般是通过传感器采集振动信号，采集到的数据通过有监督学习的方法进行时序分类。有监督的方法能否正常的工作取决于大量有标签样本的训练，通常需要较多轮次的学习训练才能取得比较好的结果，因此对系统提出了更高的算力要求。同时有监督的方法鲁棒性不强，无法适应不同机械的振动数据。无法根据不同机械的振动数据对模型进行动态调整。
技术实现思路
1、为了解决以上的问题，本申请提供一种基于方差的低算力传感器三轴数据分析算法。
2、为了达到上述目的，本申请实施例采用的技术方案如下：
3、第一方面，提供一种一种基于方差的低算力设备状态识别方法，其特征在于，具体步骤如下：
4、s1、采集连续时间段t内的设备振动数据，所述设备振动数据至少包括设备的xyz三轴加速度值x1，其中
5、x1＝[x1,x2,x3,…,xn,y1,y2,y3,…,yn,z1,z2,z3,…,zn]；
6、s2、步骤s1中采集到的振动数据进行特征提取；计算连续时间t内采集到的xyz轴向振动数据的均值[axn,ayn,azn]和方差
7、s3、对采集到的振动数据进行均值聚类，得到xyz轴向振动数据的聚类中心值[mx,my,mz]；
8、s4、将提取的数据特征进行拼接形成个样本点，所述样本点表示为{x1,x
9、其中：x1＝[x1,x2,x3,…,xn]，
10、，y＝(0,1,2)，y表示训练集中的样本标记为其对应的真实设备运行状态，y＝0表示设备静止，y＝1表示设备怠速，y＝2表示设备工作；
11、s5、将s4中处理得到的样本点输入到一维卷积-极限学习机，通过模型训练得到训练集，输入混合模型得到预测结果。
12、进一步地，所述步骤s1中连续时间t内采集到的x轴振动数据x1,x2,x3,…,xn，则所述步骤s2中x轴向振动信号均值x轴向振动信号方差为
13、所述步骤s1中连续时间t内采集到的y轴振动数据y1,y2,y3,…,yn，则所述步骤s2中y轴向振动信号均值y轴向振动信号方差为
14、所述步骤s1中连续时间t内采集到的z轴振动数据z1,z2,z3,…,zn，则所述步骤s2中z轴向振动信号均值z轴向振动信号方差为
15、进一步地，所述步骤s3包括以下步骤：
16、s301、选择k个样本数据作为初始的簇中心进行初始化；
17、s302、计算每个样本数据与k个簇中心的距离，并将该样本数据分配到距离最近的簇；
18、s303、对于每个簇，计算所有样本的均值，将均值作为新的簇中心；
19、s304、重复步骤s302和s303，使得对不同类型的震动数据实现实时调整；
20、进一步地，步骤s3中：
21、x轴振动数据x1,x2,x3,…,xn聚类结果为：kx1,kx2,kx3,…,kxn；聚类结果取出现次数最多的类别，表示为mx＝m(kx1,kx2,kx3,…,kxn)；
22、y轴振动数据y1,y2,y3,…,yn的聚类结果为：ky1,ky2,ky3,…,kyn。对聚类结果取出现次数最多的类别，表示为：my＝m(ky1,ky2,ky3,…,kyn)；
23、z轴振动数据z1,z2,z3,…,zn的聚类结果为：kz1,kz2,kz3,…,kzn，对聚类结果取出现次数最多的类别，表示为：mz＝m(kz1,kz2,kz3,…,kzn)。
24、进一步地，所述步骤s5包括：
25、s501、步骤s4中的数据x1代入一维卷积神经网络对时序数据进行特征提取，所述一维卷积神经网络的过滤器维度为5，得到一维卷积输出特征x1′；
26、s502、将一维卷积输出特征x1′和特征x2作为极限学习机的输入；
27、s503、用极限学习机构建一个浅层的前馈神经网络，在极限学习机中，随机初始化隐藏层的权重和偏置，并进行输出层的线性回归；
28、s504、使用准备好的训练集对一维卷积-极限学习机混合模型进行训练，将时序数据作为输入，根据对应的目标值进行监督学习的训练，优化模型参数，使得模型能够学习输入特征和输出结果之间的映射关系；
29、s505、完成模型的训练后，可以使用时序数据作为输入，通过混合模型进行预测，将测试数据通过一维卷积提取特征，再输入到训练好的elm中，得到预测结果y，y＝(0,1,2)。
30、进一步地，所述步骤s1中采集设备振动信号的采集时长t，t＝5s；采集间隔dt，dt＝0.1s；采集到的振动信号个数n＝50。
31、进一步地，为了提高模型进度，在步骤s304中每5s重复步骤s302和s303一次。
32、第二方面，提供一种基于方差的低算力设备状态识别装置，包括：振动传感器，用于采集设备振动数据；处理器，用于接收振动传感器的振动数据，并对数据处理和存储；通信和定位模块，与mcu控制器通信连接，用于传输设备运行数据；电源管理模块，分别与mcu控制器和通信定位模块电连接；其特征在于：所述处理器执行所述s1-s5所述的方法的步骤。
33、本申请的有益效果：本申请提供的一种基于方差的低算力设备状态识别方法、装置及存储介质，通过对采集到的设备振动加速度先求均值、方差，再通过一维卷积神经网络提取时序特征；结合均值、方差等一般时序特征、可在先学习的无监督特征和一维卷积时序特征，代入极限学习机中，通过一维卷积-极限学习机混合模型训练、优化；并通过训练好的模型进行预测。由于该算法在低算力条件下实现了实时分析，不依赖高性能计算设备，适用于嵌入式系统或计算能力较弱的设备。通过方差分析判断设备的运行状态，可以提供更多有用的信息，优化工业控制和设备监测等领域的应用。
本文档来自技高网...【技术保护点】
1.一种基于方差的低算力设备状态识别方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的基于方差的低算力设备状态识别方法，其特征在于，所述步骤s1中连续时间t内采集到的x轴振动数据x1,x2,x3,…,xn，则所述步骤s2中x轴向振动信号均值x轴向振动信号方差为
3.根据权利要求2所述的基于方差的低算力设备状态识别方法，其特征在于，所述步骤s3包括以下步骤：
4.根据权利要求3所述的基于方差的低算力设备状态识别方法，步骤s3中：
5.根据权利要求4所述的基于方差的低算力设备状态识别方法，其特征在于，所述步骤s5包括：
6.根据权利要求1-5中任一项所述的低算力设备状态识别方法，其特征在于，所述步骤s1中采集设备振动信号的采集时长t，t＝5s；采集间隔dt，dt＝0.1s；采集到的振动信号个数n＝50。
7.根据权利要求6中任一项所述的低算力设备状态识别方法，其特征在于，所述步骤s304、每5s重复步骤s302和s303一次。
8.一种基于方差的基于方差的低算力设备状态识别装置，包括：振动传感
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于方差的低算力设备状态识别方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的基于方差的低算力设备状态识别方法，其特征在于，所述步骤s1中连续时间t内采集到的x轴振动数据x1,x2,x3,…,xn，则所述步骤s2中x轴向振动信号均值x轴向振动信号方差为
3.根据权利要求2所述的基于方差的低算力设备状态识别方法，其特征在于，所述步骤s3包括以下步骤：
4.根据权利要求3所述的基于方差的低算力设备状态识别方法，步骤s3中：
5.根据权利要求4所述的基于方差的低算力设备状态识别方法，其特征在于，所述步骤s5包括：
6.根据权利要求1-5中任一项所述的低算力设备状态识别方法，其特征在于，所述步骤s1中采集设备振动信号的采集时长t，t＝5s...
【专利技术属性】
技术研发人员：黄彦松，张贵文，廖锦雄，黄展，吴燕，利嘉豪，陈雁群，刘晓彬，张维镇，刘奕显，
申请(专利权)人：中铁二十五局集团有限公司，
类型：发明
国别省市：
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。