【技术实现步骤摘要】
本专利技术属于故障分类方法的，尤其涉及一种基于自适应特征域分层压缩的故障分类方法，以及一种基于自适应特征域分层压缩的故障分类装置。
技术介绍
1、面向复杂装备的故障诊断分类算法需要大量的测试数据作为支撑，算法的可靠性和精确度与所使用的测试数据密切相关，数据质量的好坏直接关系到算法训练的准确性。同时，执行复杂的故障分类算法对计算资源的需求也相应增加。这些算法往往基于深度学习、机器学习或人工智能等技术，需要大量的计算资源来训练模型、优化算法以及执行推断。
2、因此，面向复杂装备的故障分类算法需要综合考虑数据数据质量、算法执行效率、数据的存储及传输等多方面因素。然而，在计算资源有限的边缘设备，当前的故障分类方法在处理大规模数据时存在响应时间延迟和处理效率较低等问题。开发专门针对大规模数据处理的算法，可以有效缓解计算资源消耗带来的压力，更好的支撑算法的应用与发展。
技术实现思路
1、为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种基于自适应特征域分层压缩的故障分类方法，其减少了数据中的冗余信息，能够在处理大规模数据时节省计算资源和时间，加快故障分类算法的执行速度，有效提高了算法执行效率，增强了数据处理的实时性，有助于实时监测和处理故障数据。
2、本专利技术的技术方案是：这种基于自适应特征域分层压缩的故障分类方法，其包括以下步骤：
3、(1)特征域稀疏性分析：对被测信号进行时域、频域、小波域等不同特征域下的稀疏性分析，稀疏性计算时采用计算在该特
4、(2)自适应特征域逐层分解：在完成特征域下的稀疏度计算后，选择出稀疏度最大的特征域作为第一级分解域，将分解域中大于阈值的信号作为第一级分解信号，剩余的信号作为第一级的残余信号，完成第一级分解后，再根据残余信号在不同特征域下的稀疏度继续进行分解，直到残余信号中无有价值信号为止；
5、(3)测试数据逐层压缩：观测矩阵采用高斯矩阵，对分解后的被测信号进行逐级压缩；
6、(4)故障分类算法模型训练：对历史测试数据按照步骤(1)-(3)
7、进行压缩，以压缩后的数据作为输入数据集构建神经网络架构，训练得到故障分类算法模型；
8、(5)故障分类算法模型在线执行：将步骤(3)中压缩后的测试数据输入步骤(4)中训练所得故障分类算法模型进行运算，得到故障分类的结果。
9、本专利技术通过特征域稀疏性分析、自适应特征域逐层分解、测试数据逐层压缩、故障分类算法模型训练，对测试数据进行压缩然后执行故障分类算法模型，使得压缩后的数据集更具有结构性，减少了数据中的冗余信息，能够在处理大规模数据时节省计算资源和时间，加快故障分类算法的执行速度，有效提高了算法执行效率，增强了数据处理的实时性，有助于实时监测和处理故障数据。
10、还提供了一种基于自适应特征域分层压缩的故障分类装置，其包括：
11、特征域稀疏性分析模块，其对被测信号进行时域、频域、小波域等不同特征域下的稀疏性分析，稀疏性计算时采用计算在该特征域投影下的大于某一阈值的信号的数量，仅提取某一特征域中最为核心的信号，剩余信号继续进行稀疏性分析；
12、自适应特征域逐层分解模块，其在完成特征域下的稀疏度计算后，选择出稀疏度最大的特征域作为第一级分解域，将分解域中大于阈值的信号作为第一级分解信号，剩余的信号作为第一级的残余信号，完成第一级分解后，再根据残余信号在不同特征域下的稀疏度继续进行分解，直到残余信号中无有价值信号为止；
13、测试数据逐层压缩模块，其观测矩阵采用高斯矩阵，对分解后的被测信号进行逐级压缩；
14、故障分类算法模型训练模块，其对历史测试数据按照特征域稀疏性分析模块、自适应特征域逐层分解模块、测试数据逐层压缩模块进行压缩，以压缩后的数据作为输入数据集构建神经网络架构，训练得到故障分类算法模型；
15、故障分类算法模型在线执行模块，其将测试数据逐层压缩模块压缩后的测试数据输入故障分类算法模型训练模块中训练所得故障分类算法模型进行运算，得到故障分类的结果。
本文档来自技高网...【技术保护点】
1.一种基于自适应特征域分层压缩的故障分类方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：对被测信号不同的特征域下的稀疏性进行分析，假设该被测信号常见特征域有多N个，对应的稀疏变换基可以表示为[Ψ1,Ψ2,…,ΨN],那么被测信号在不同特征域下的稀疏变换可以表示为：
3.根据权利要求2所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：在稀疏性计算时采用计算在该特征域投影下的大于某一阈值的信号的数量，仅提取某一特征域中最为核心的信号，剩余信号继续进行稀疏性分析，不同特征域下稀疏分解后信号的计算公式如下：
4.根据权利要求3所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：在完成特征域下的稀疏度计算后，选择出稀疏度最大的特征域作为第一级分解域Ψc1，将中大于阈值的信号作为第一级分解信号，剩余的信号作为第一级的残余信号r1，表示为：
5.根据权利要求4所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：完成第一级分解后，再根据残余信号在不同特征域下的稀疏
6.根据权利要求5所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：在完成对信号的自适应分解后，进一步对分解后的信号进行逐级压缩，观测矩阵采用高斯矩阵，压缩后的各级信号可以表示为：
7.根据权利要求6所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：对历史测试数据按照步骤(1)-(3)进行自适应特征域逐层分解和逐层压缩，以压缩后的数据作为输入训练得到故障分类算法模型，然后传输至计算设备。
8.一种基于自适应特征域分层压缩的故障分类装置，其特征在于：其包括：
...【技术特征摘要】
1.一种基于自适应特征域分层压缩的故障分类方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：对被测信号不同的特征域下的稀疏性进行分析，假设该被测信号常见特征域有多n个，对应的稀疏变换基可以表示为[ψ1,ψ2,…,ψn],那么被测信号在不同特征域下的稀疏变换可以表示为：
3.根据权利要求2所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：在稀疏性计算时采用计算在该特征域投影下的大于某一阈值的信号的数量，仅提取某一特征域中最为核心的信号，剩余信号继续进行稀疏性分析，不同特征域下稀疏分解后信号的计算公式如下：
4.根据权利要求3所述的基于自适应特征域分层压缩的故障分类方法，其特征在于：在完成特征域下的稀疏度计算后，选择出稀疏度最大的特征域作为第一级分解域ψc1，将中大于...
【专利技术属性】
技术研发人员：宋萍，赵玥，齐翊深，李一凡，郄有田，
申请(专利权)人：北京理工大学，
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。