买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北大学

摘要：本发明公开了一种面向工业互联网设备故障诊断的多模态数据融合方法，该方法基于设备故障数据集，通过将两种传感器数据融合到一个公共空间来对设备的故障进行判断，采用不同的信号处理方式对信号稳定性不同的传感器数据进行处理。该方法不仅能提高故障诊断的准确度，还能够增强某一传感器失效后系统的鲁棒性。其创新点在于：1提出了一种基于多视图鉴别分析MvDA的多模态数据融合算法，算法中使用了一种迭代算法以替换原有MvDA中奇异值分解的部分，取得全局最优解从而提高投影精度以及诊断鲁棒性。2针对平稳信号，采用能快速提取特征的1DCNN算法，对于非平稳信号采用小波变换二维图像进行特征提取。

主权项：1.一种面向工业互联网设备故障诊断的多模态数据融合方法，其特征在于，包括以下步骤：步骤1，收集大型设备的故障数据，进行数据预处理，将其作为训练样本；步骤2，对步骤1中整理分类后得到的大型设备故障训练样本，针对数据类型或特性不同的传感器采集到的数据，从不同角度进行多模态数据融合，提取不同传感器数据的特征矩阵和主成分矩阵；步骤3，对于所有传感器，通过多模态数据融合的方法建立多模态数据融合模型，首先定义求解多模态数据融合模型的映射矩阵，然后使用一种基于RatioTrace方法的迭代算法求得多模态数据融合模型的全局最优解；具体包括如下子步骤：步骤3.1，对于每个样本，定义： 式中，为设备故障的数据集，dijk为第i种故障中第j个传感器的第k个样本，I为故障的种类，J为传感器的总数，qo为传感器o的特征维数，kij为第j个传感器的第i种故障的样本个数；步骤3.2，对于所有传感器，可以通过多模态数据融合MvDA的方式建立多模态数据融合模型，定义求解多模态数据融合模型的映射矩阵为： 式中，分别是不同传感器的最优映射矩阵，Lin为公共空间中的投影的类内散布矩阵，Lout类间散布矩阵；两个散布矩阵由下式5和式6表示： 式中，为所有传感器中第i类故障样本的平均矩阵； 为第i种故障所有传感器的样本数； 为所有样本在公共空间的平均矩阵；K为所有故障样本的数目，有Fijk为dijk样本映射到公共空间上所对应的样本值；为了方便计算，类间散射矩阵Lout和类内散射矩阵Lin被写为：Lout＝STWS式7Lin＝STVS式8式中：ST为所有传感器映射矩阵转置的集合，S为所有传感器映射矩阵的集合，有S＝{S1,S2,...,SJ}；W和V都为关于的块矩阵，其定义如下： 式中，为第j个传感器中第i种故障所有样本的平均矩阵，为的转置，kij为第j个传感器的第i种故障的样本个数；为第i种故障所有传感器的样本数；为第m个传感器中第i种故障所有样本的平均矩阵；为的转置；kim为第m个传感器的第i种故障的样本个数；为第i种故障所有传感器的样本数；步骤3.3，步骤3.2中式4需要求解J个传感器的线性变换视图，通过将目标函数转换为迹比问题，可以简化问题的求解，式4目标函数的迹比解又可以被写为： 以上目标函数可以被看作一个迹比问题，奇异值分解很难获得多模态数据融合模型的全局最优解，为了解决这个问题，使用一种基于RatioTrace方法的迭代算法来解决迹比问题；步骤3.4，首先为了保持全局结构的可解性，加入正交约束STS＝E；其中，E为单位矩阵，并且让则式11又可写为： 已知式12满足由于模型使用了PCA主成分分析法已经对传感器数据进行处理，所以不存在为为0的空间，则可以用以下公式转换式中：Θ＝[θ1,θ2,θ3,...,θC]，θc0，c＝1,2,...,C；C为中正奇异值的数量；令S＝QB，d为S的秩，目标函数可被表示为： 其中，Wu＝BTWB，通过奇异值分解考虑到，式14中存在：即使有闭式解但仍可能与最优解存在较大误差；步骤3.5，将式14转化为迹差问题： 其中λn是从上一步的投影矩阵Bn-1计算出的轨迹比值，具体算法步骤为：a将B0初始化为任意列正交矩阵；b从n＝1，2，...，N开始，通过计算矩阵Bn-1计算θn： c将迹差问题构造为： d使用特征值分解法求解迹差问题： 式中，为中第r大的特征值，为对应的特征向量；为了保持正交，重新构造投影矩阵，设d为低维特征的秩，让Vb＝BnBnTVuBnBnT，进行奇异值分解，有：Vb＝BnΘbBnT式19e如果有则退出循环；输出B＝Bn；步骤4，利用步骤3中获得的多模态数据融合模型，将传感器特征投影到一个新的空间，使用分类器对数据进行分类和预测。

全文数据：

权利要求：

百度查询： 西北大学 面向工业互联网设备故障诊断的多模态数据融合方法