申请/专利权人：杭州电子科技大学

申请日：2019-12-25

公开（公告）日：2020-12-01

公开（公告）号：CN111122162B

主分类号：G01M13/045(20190101)

分类号：G01M13/045(20190101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.12.01#授权;2020.06.02#实质审查的生效;2020.05.08#公开

摘要：本发明公开了基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法。本发明方法可以从多个时间尺度对时间序列进行复杂度的刻画，同时该方法相对于现有的多尺度熵MutiscaleEntropy方法、复合多尺度熵CompositeMultiscaleEntropy方法、多尺度模糊样本熵FME在计算的稳定性和准确性上都有显著的提高。本发明可以用于工业系统故障类型的判别、检测以及时间序列复杂度的分析。

主权项：1.基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法，其特征在于包括以下步骤：步骤1、通过工业系统信号采集设备采集不同状态类型下的原始信号；步骤2、对每种状态类型下原始信号对应一个时间序列{xi|i＝1,2,...,N}，其中i序列对应某一时刻的数值，N表示时间序列的长度；对时间序列{xi|i＝1,2,...,N}进行尺度因子τ粗粒度变换，τ为正整数，形成若干粗粒数值点 最终得到τ个粗粒化长度为p的新信号时间序列，其中第k个新信号时间序列具体变换公式如下： 步骤3、对第k个粗粒化长度为p的新信号时间序列进行嵌入维数为m的向量重构，得到从到其中 为向量序列平移的距离，具体公式如下： 步骤4、使用重构后的向量，计算尺度因子τ下第k个新信号时间序列的欧式距离模糊样本熵：4.1任意两个初始向量不同的m维信号时间序列与之间的距离为两个重构后向量的欧氏距离，具体公式如下： 4.2给定阈值r，r取值0.15×SD，SD为原始序列{xi|1≤i≤N}的标准差；通过模糊函数计算和间的相似度公式如下： 4.3统计向量间的匹配度，记为 4.4对所有的求平均，记作 4.5将嵌入维数增加为m+1，重复以上步骤3-4.4计算向量间的匹配度，记为并对所有的求平均，记作 4.6定义第k个新信号时间序列的欧氏距离模糊样本熵： 步骤5、更新k值，将嵌入维数恢复为m，重复以上步骤3-4.6，求下一个新信号时间序列的欧氏距离模糊样本熵，直至求得所有τ个新信号时间序列的欧氏距离模糊样本熵；步骤6、对所有τ个新信号时间序列的欧氏距离模糊样本熵求均值，最终得到原始时间序列在尺度τ下的欧氏距离模糊样本熵： 步骤7、更新尺度因子τ的值，返回至步骤2，求下一个尺度因子的欧氏距离模糊样本熵，直至满足尺度因子个数的要求，最终得到欧氏距离多尺度模糊样本熵，即一组在多个不同尺度因子下的欧氏距离模糊样本熵值；步骤8、将上述欧氏距离多尺度模糊样本熵作为前后向传播神经网络的输入，神经网络设置为四层拓扑结构，其中输入层点的个数等于尺度因子的个数，每个点对应每个尺度因子的欧氏距离模糊样本熵，隐藏层为30个点；输出层输出对应着系统不同状态类型下每种类型标记的向量值；最终进行工业系统故障信号识别与故障检测。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD