【技术实现步骤摘要】
本专利技术涉及高精度奇异状态检知方法，尤其涉及一种基于动态耦合增效聚合神经网络的高效、精准的设备奇异状态检知方法。
技术介绍
1、随着大型机电设备逐渐向自动化、智能化方向发展，其经常面临变速、变载荷等复杂工况。在这些条件下，缺乏高效的奇异状态检知机制可能危及整个设备的运行安全，进而引发人员安全和经济上的重大损失。
2、传统奇异状态检知方法仅从单维分析的角度对设备进行奇异状态判别，该方法仅考虑信号的单维特性，鉴于设备的复杂构成以及组件间的动态耦合性，单维分析往往不足以全面揭示奇异状态。因此，本专利技术着重强化奇异状态下特质信息的动态耦合性，增进特质信息一致性与互补性，以便基于设备运维期间的聚合信息实现对各部件奇异状态的精确检知，确保设备的稳定性和安全性，具有重要的现实研究意义。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种基于动态耦合增效聚合神经网络的高效、精准的设备奇异状态检知方法。
2、技术方案：本专利技术包括如下步骤：
3、(1)设备奇异状态特质信息的提取；
4、(2)基于动态耦合法的感知通道建立；
5、(3)聚合神经网络架构的建立；
6、(4)基于感知通道对聚合神经网络的增效；
7、(5)基于增效聚合神经网络的设备奇异状态检知方法。
8、进一步地，所述步骤(1)包括：
9、(1.1)根据设备的工作特性，设备部件共有n类运行状态，b个传感器的监测数据描述如下
10、{g，h}＝{(gi，hi)}，i∈[1，n]
11、
12、
13、其中，{g，h}表示处于n类运行状态的特质信息和标签；gi和hi是状态i下的特质信息和标签，gij是第j个传感器在状态i下的特质信息，gij(n)是xij的第n个特质信息点；
14、(1.2)扩充奇异状态下特质信息样本，根据采样长度l和滑动步长λ对监测的传感器信号进行采样，得到的奇异状态特质信息集定义如下：
15、{g，h}＝{(gi，hi)}，i∈[1，n]
16、
17、
18、
19、其中，{g，h}表示n类奇异状态下的特质信息样本和标签，gi和hi是奇异状态i下的特质信息样本和标签，gij是第j个传感器在奇异状态i下的特质信息样本和标签，是gij的第k个样本。
20、进一步地，所述步骤(1.1)中n类运行状态包括一类正常状态和多类奇异状态。
21、进一步地，所述步骤(1.2)中扩充奇异状态下特质信息样本采用滑动窗口采样技术。
22、进一步地，所述步骤(2)根据上述步骤(1)中提取的奇异状态下特质信息样本和标签，构建一个全局感知通道，此通道能够同时处理单维振动信号及双维时频图像，以捕获奇异状态下动态耦合的特质信息集，将长度为l的连续信号段依次映射到图像中，
23、
24、其中是的第p个点。max(·)和min(·)分别表示函数的最人值和最小值，round(·)表示舍入函数；将所构建图像的像素值归一化为0～255之间的整数，对应奇异状态下特质信息的强度；将传感器构造的图像样本输入感知通道，获取设备奇异状态下动态耦合的特质信息集；
25、
26、
27、
28、其中，{g，h}sension表示n奇异状态下，感知通道中经过动态耦合的特质信息样本和标签；和hi是奇异状态i下，感知通道中经过动态耦合的特质信息样本和标签；是的第k个样本；表示奇异状态i下第m个传感器的第k个特质信息样本。
29、进一步地，所述步骤(3)引入聚合神经元作为聚合神经网络的组成单元，根据步骤(2)中获取设备动态耦合的特质信息集作为网络的输入集，在该网络中，一维及二维卷积核均由聚合神经元构成，分别用于提取单维和双维特质，可表示为，
30、
31、其中，输入的特质信息在非线性激活之前被转换为两个内积和一个范数项求和，σ(·)是一个非线性激活函数，⊙表示哈达玛乘积；为第m层第j个通道的输出，为第m层的第j个一维卷积核的权值，是第m-1层的第j个特质，是第m层的第j个偏差偏置项；为第q层的第j个二维卷积核的权值，是第q-1层的第j个特质，是第q层的第j个偏差偏置项；wt，wq，wb分别是权重向量，bt，bq，c分别是偏差偏置项；
32、根据步骤(2)中获取设备动态耦合的特质信息集，执行局部最大值操作，实现对动态耦合特质信息集的高效降维，优化特质信息的提取过程，
33、
34、其中max(·)为下采样函数，为第l层的第j个输入特质，e为池化大小，zlj为最大池化层的输出特质。
35、进一步地，所述聚合神经网络采用输入向量的二次方程形式取代传统的内积计算，将标准神经元转化为高效能的聚合神经元。
36、进一步地，所述特质信息集为采用最大池层对动态耦合的信息集。
37、进一步地，所述步骤(4)根据步骤(2)中基于动态耦合法建立的感知通道，结合步骤(3)中聚合神经网络对双维特性的学习效率进行增效，该通道配备了跨通道尺寸的自适应选择机制，假设x∈ru×v×w为卷积后的特质，u、v、w分别为特征图的通道数、高度、宽度，初始阶段，β执行全局平均池操作，为每个通道提取聚合特质β(x)，可表示为
38、
39、使用u自适应计算交叉通道的维度η，可表示为
40、
41、通过应用特定的核尺寸r和激活函数进行一维卷积，以计算每个通道的加权值ω，进而对原始异常特质信息进行增效赋值，
42、ω＝δ(ωr(β(x)))
43、式中β(·)为全局平均池化函数，φ(·)是自适应计算交叉通道维度η的函数，ωr(·)表示一维卷积运算，δ(·)表示激活函数，ε和γ为常数。
44、进一步地，所述步骤(5)根据步骤(4)中建立的增效聚合神经网络，求解得到该设备不同奇异状态下特质信息表示。采用熵损失函数进行对增效聚合神经网络进行训练：
45、
46、其中，yi；θ为第i样本的标签，为该样本在第i标签下的概率分布，
47、该方法通过增效聚合网络获取动态耦合的特质信息表示然后，异常检测器使用多层感知器层对每个动态耦合的特质信息向量进行分类，总结如下：
48、
49、有益效果：本专利技术与现有技术相比，具有如下优点：能够高效、精准地实现设备多种奇异状态的精准检知；增强动态耦合特质信息的一致性和互补性，从而获取设备奇异状态的聚合信息，实现设备奇异状态检知。
本文档来自技高网...【技术保护点】
1.一种基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(1)包括：
3.根据权利要求2所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(1.1)中n类运行状态包括一类正常状态和多类奇异状态。
4.根据权利要求2所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(1.2)中扩充奇异状态下特质信息样本采用滑动窗口采样技术。
5.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(2)根据上述步骤(1)中提取的奇异状态下特质信息样本和标签，构建一个全局感知通道，此通道能够同时处理单维振动信号及双维时频图像，以捕获奇异状态下动态耦合的特质信息集，将长度为L的连续信号段依次映射到图像中，
6.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(3)引入聚合神经元作
7.根据权利要求6所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述聚合神经网络采用输入向量的二次方程形式取代传统的内积计算，将标准神经元转化为高效能的聚合神经元。
8.根据权利要求6所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述特质信息集为采用最大池层对动态耦合的信息集。
9.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(4)根据步骤(2)中基于动态耦合法建立的感知通道，结合步骤(3)中聚合神经网络对双维特性的学习效率进行增效，该通道配备了跨通道尺寸的自适应选择机制，假设X∈RU×V×W为卷积后的特质，U、V、W分别为特征图的通道数、高度、宽度，初始阶段，β执行全局平均池操作，为每个通道提取聚合特质β(X)，可表示为
10.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(5)根据步骤(4)中建立的增效聚合神经网络，求解得到该设备不同奇异状态下特质信息表示。采用熵损失函数进行对增效聚合神经网络进行训练：
...【技术特征摘要】
1.一种基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(1)包括：
3.根据权利要求2所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(1.1)中n类运行状态包括一类正常状态和多类奇异状态。
4.根据权利要求2所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(1.2)中扩充奇异状态下特质信息样本采用滑动窗口采样技术。
5.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(2)根据上述步骤(1)中提取的奇异状态下特质信息样本和标签，构建一个全局感知通道，此通道能够同时处理单维振动信号及双维时频图像，以捕获奇异状态下动态耦合的特质信息集，将长度为l的连续信号段依次映射到图像中，
6.根据权利要求1所述的基于动态耦合增效聚合神经网络的设备奇异状态检知方法，其特征在于，所述步骤(3)引入聚合神经元作为聚合神经网络的组成单元，根据步骤(2)中获取设备动态耦合的特质信息集作为网络的输入集，在该网络...
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。