【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...
【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...
【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。