【技術實現(xiàn)步驟摘要】
本專利技術涉及一種機械設備狀態(tài)監(jiān)測領域，尤其涉及一種特征提取、線性回歸、異常檢測等技術方法。
技術介紹
1、特征選擇在機械設備故障診斷領域中扮演著至關重要的角色，它能夠從原始數(shù)據(jù)中選擇最具信息量的特征，提高模型性能、減少過擬合，并加快模型訓練和預測的速度。在大規(guī)模數(shù)據(jù)集和高維數(shù)據(jù)中，特征選擇尤為重要，因為不必要的特征會增加計算復雜性并引入冗余信息。
2、現(xiàn)有常見的特征選擇方法主要包含過濾方法和包裝方法。過濾方法是一種常見的特征選擇方法，它通過在訓練模型之前對特征進行篩選，選擇那些與目標變量相關性較高的特征，典型方法有方差閾值、互信息和相關系數(shù)。但是過濾方法忽略了特征之間的相互作用和非線性關系，可能會無法捕捉到一些重要的特征。包裝方法是一種更為復雜和耗時的特征選擇方法，它通過使用某個學習模型來評估特征的重要性，并根據(jù)重要性進行特征選擇。由于包裝方法需要多次訓練模型，計算復雜度較高，并且對于大規(guī)模數(shù)據(jù)集可能不太適用。
3、此外，這些方法并未考慮到特征之間的相互作用，無法自動選擇與目標變量相關性較強的特征，導致故障特征提取的準確性和魯棒性不佳，因此需要一種高效的故障特征提取方法幫助用戶精確定位故障特征。
技術實現(xiàn)思路
1、本專利技術是要提供一種基于敏感度分析的故障特征提取方法，幫助工程師從大量的數(shù)據(jù)特征中篩選對故障敏感度高的有效特征，進而優(yōu)化故障診斷模型，同時使故障診斷結論具有較好的可解釋性。
2、為實現(xiàn)以上目的，本專利技術的技術方案是：一種基于敏感度
3、步驟1：正常數(shù)據(jù)準備
4、收集機械設備正常狀態(tài)下所有特征的時間序列數(shù)據(jù)樣本，特征值數(shù)量為n，正常數(shù)據(jù)樣本量為m1；
5、步驟2：異常檢測模型構建
6、基于半監(jiān)督學習方法訓練自編碼器模型，對訓練完成的模型輸入新樣本x，自編碼器重構的結果為xa，則用均方誤差mse作為重構或異常程度的評價指標：
7、
8、在線檢測階段的步驟為：
9、步驟3：異常檢測數(shù)據(jù)積累
10、利用異常檢測模型實時監(jiān)測機械設備的運行狀態(tài)，直至獲取一定樣本量的異常數(shù)據(jù)樣本，樣本數(shù)量為m2；
11、步驟:4：歸一化處理
12、為了統(tǒng)一每個特征取值在數(shù)量級上的差異，首先對數(shù)據(jù)集xi，i＝1，2，...，m1+m2，包含正常數(shù)據(jù)和異常數(shù)據(jù)，標識為yi＝f(xi)，其中yi∈{0，1}；
13、采用z-score歸一化，計算得到數(shù)據(jù)集xi中所有特征的均值為μj，j＝1,2,…,n,方差為σj，j＝1,2,…,n，歸一化后的特征值
14、步驟5：故障特征選擇
15、基于lasso回歸模型，對數(shù)據(jù)集xi進行擬合，得到所有特征的擬合系數(shù)βi，i＝1，2，...n，后按照擬合系數(shù)大小進行特征敏感度排序，確定初始閾值k，篩選得到敏感程度高的r個故障特征xk＝(x1，x2，...，xr)′；
16、步驟6：故障特征評估
17、基于提取得到的故障特征β∈rr×1，重新構建回歸模型y＝βtx+b，使用測試數(shù)據(jù)集xt對模型進行評估，評估準則如下：
18、sst＝σ(yt-e(yt))2
19、sse＝σ(y-yt)2rsq＝(1-sse/sst)∈[0,1]
20、當rsq>0.7時，說明模型能較好響應變量的變異性，并擬合數(shù)據(jù)；若rsq<0.7，則重復步驟5，重新選取閾值k＝k-α，α為模型學習率，大于零的小數(shù)。
21、本專利技術的有益效果是：
22、在本專利技術中，提出了一種基于敏感度分析的故障特征提取方法，幫助工程師自動從大量的數(shù)據(jù)特征中篩選對故障敏感度高的有效特征，進而有助于人工進行數(shù)據(jù)分析。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于敏感度分析的故障特征提取方法，其特征在于：該方法分為離線訓練階段和在線檢測階段，
【技術特征摘要】
1.一種基于敏感度分析的故障特征提取方法，其特...
【專利技術屬性】
技術研發(fā)人員：符棟梁，俞炅旻，周璞，鐘炎，史一帆，
申請(專利權)人：中國船舶集團有限公司第七〇四研究所，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。