[发明专利]基于多模态敏感特征选取融合的设备故障预警方法及系统

权利要求书

1.一种基于多模态敏感特征选取融合的设备故障预警方法，其特征在于，其步骤如下：

步骤一：采集不同工况下设备正常状态的参数运行数据；其中，参数运行数据包括振动数据、声发射数据、温度数据、视频监控数据、电信号数据和热成像数据；

步骤二：采用特征提取方法对步骤一中的参数运行数据进行提取，得到M维特征向量；其中，特征提取方法包括统计值、频谱值、直方图、二维空域信息和卷积神经网络；

所述M维特征向量的获得方法为：

分别提取振动数据、声发射数据、温度数据和电信号数据的12个时域统计特征，包括标准差、均方根、平均值、偏度、峭度、中值、峰峰值、最大梯度值、波形因子、峰值因子、脉冲指标和裕度指标，共48维特征向量；

分别提取振动数据和电信号数据的傅里叶变换后的频谱值，分别为固有频率的1倍频、2倍频、3倍频，共6维特征向量；

分别提取振动数据和电信号数据的小波包分解的能量及能量熵，共18维特征向量，计算方法为：

其中，E_q,i为q类数据的小波包分解的第i个信号分量的能量，q∈[振动数据，电信号数据]，i＝1,2,…,N，N为小波包分解的信号分量的个数，A_q,ij为q类数据的小波包分解的第i个信号分量的第j个电压值/幅值，j＝1,2,…,L，L表示信号长度，P_q,i为q类数据的小波包分解的第i个信号分量的能量占比，Entropy_q为q类数据的小波包分解的能量熵，Q_q,i为q类数据的小波包分解的第i个信号分量的真实的能量占比；

分别提取振动数据和电信号数据的经验模式分解的能量及能量熵，共18维特征向量；

分别提取视频监控数据和热成像数据的RGB三个通道的灰度直方图，每个通道256个值，共768×2维特征向量；

采用卷积神经网络提取热成像数据的100维特征，共100维特征向量；

将所有维度特征向量连接到一个特征向量，共1726维特征向量，即M＝1726；

步骤三：采用标准化预处理方法对M维特征向量进行尺度缩放，得到标准化的特征数据；

步骤四：运用基于Mercer内核的核PCA对步骤三中的标准化的特征数据进行分析，基于最大协方差理论，计算每个特征的贡献率，选取前95％贡献率的特征作为敏感特征；

步骤五：将步骤四中的敏感特征输入到GMM模型，拟合敏感特征在高维空间的概率分布，得到训练好的GMM模型；

步骤六：在线获取设备运行时的实时状态数据，并利用步骤二中的特征提取方法对实时状态数据进行特征提取，得到设备在线状态的M维特征向量；

步骤七：利用步骤三中的标准化预处理方法对设备在线状态的M维特征向量进行规整后，并利用步骤四中的基于Mercer内核的核PCA选取多模态敏感特征；

步骤八：将步骤七中的多模态敏感特征输入到步骤五中训练好的GMM模型，得到设备属于正常状态的概率值，当概率值小于预设的阈值时，设备出现故障，进行报警，否则，设备运行正常，不报警。

2.根据权利要求1所述的基于多模态敏感特征选取融合的设备故障预警方法，其特征在于，所述步骤六中的实时状态数据包括振动数据、声发射数据、温度数据、视频监控数据、电信号数据和热成像数据。

3.根据权利要求1所述的基于多模态敏感特征选取融合的设备故障预警方法，其特征在于，所述分别提取振动数据和电信号数据的经验模式分解的能量及能量熵的计算方法为：

其中，E_q,i'为q类数据的经验模式分解的第i'个信号分量的能量，i'＝1,2,…,N'，N'为经验模式分解的信号分量的个数，A_q,i'j'为q类数据的经验模式分解的第i'个信号分量的第j'个电压值/幅值，j'＝1,2,…,L'，L'表示信号长度，P_q,i'为q类数据的经验模式分解的第i'个信号分量的能量占比，Entropy'_q为q类数据的经验模式分解的能量熵，Q_q,i'为q类数据的经验模式分解的第i'个信号分量的真实的能量占比。