一种面向智能制造的互信息特征提取方法

本发明涉及智能制造数据处理，具体涉及一种面向智能制造的互信息特征提取方法。

背景技术：

1、工业现场大型自动化设备运行的过程中,会通过加速度仪、摄像头等不同类型的传感器监测设备的运行状态,监测数据会在后台数据监控中心以不同的形式呈现。例如振动信号可以直接通过一维序列的方式记录和存储,同时也可以通过监控中心的显示器可视化出来,根据后台软件刷新率的不同,以屏幕截图的方式保存;虽然存储形式不同,但都是对同一设备的状态监测数据。这种以不同形式存储的数据之间既有相关性,又有互补性。数据的利用方式和数据的数量是影响深度学习有效性的重要因素,而监控中心虽然存储海量的监测数据,但是设备大多在正常状态下运行,因此可用的数据样本数量往往不足,所以充分利用不同存储形式的数据,融合不同类型的特征,以达到改善特征提取精确性的目的。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种面向智能制造的互信息特征提取方法，包括如下步骤：

2、s1、通过安装于多个制造设备上的智能传感器采集不同制造设备的传感数据，形成多组传感数据，提取每组传感数据的时序特征数据列；

3、s2、计算每两个制造设备的时序特征数据列之间的互信息，将所述互信息在预设范围内的多个时序特征数据列归为一类；

4、s3、构建同一类的时序特征数据列的每个特征数据和对应类别的相似化函数,并按相似度从大到小排序,选择相似度最大的m个特征数据作为输入特征数据；

5、s4，构建一维深度特征融合模型，将m个输入特征数据输入至所述一维深度特征融合模型，获得一维特征表示向量序列；

6、s5，构建二维深度特征融合模型，将所述一维特征表示向量序列结合传感器位置信息作为输入数据，输出所述一维特征表示向量序列对应的二维空间特征数据。

7、进一步地，步骤s3中，相似化函数argmax输出的相似度为m：

8、；

9、其中，f表示同一类的时序数据列,fi是第i个特征数据，类别由l表示；表示特征数据fi与类别l之间的互信息，按相似度从大到小排序,选择相似度最大的m个特征数据作为输入特征数据。

10、进一步地，步骤s4中，通过一维深度特征融合模型gpe输出一维特征表示向量序列x1d：

11、；

12、式中，f为m个输入特征数据构成的集合，np为神经网络模型。

13、进一步地，所述神经网络模型np为：

14、；

15、其中,gp是神经网络构建函数,是神经元的权重，共有m个神经元,对应于m个输入特征数据；cy是循环训练的次数。

16、进一步地，步骤s5中，二维深度特征融合模型gc利用cnn神经网络ncnn提取出二维空间特征数据x2d：

17、；

18、其中，传感器位置信息，t为传感器个数。

19、进一步地，搭建cnn神经网络ncnn：

20、ncnn=gcnn(k,bcnn；kc,ksize,psize；kstep,pstep)；

21、其中，gcnn是用于生成cnn神经网络ncnn的函数,kc,ksize,kstep表示卷积核k的通道数、大小和步长；psize、pstep表示池化核的大小和步长，偏置为bcnn。

22、进一步地，步骤s2中，互信息i(x;y)表达式如下:

23、；

24、其中，xi，yi分别为时序特征数据列x和y中的第i个传感数据，n为传感数据的个数；是xi,yi的联合概率分布，分别是xi,yi的概率分布函数。

25、相比于现有技术，本发明具有如下有益技术效果：

26、通过安装于多个制造设备上的智能传感器采集不同制造设备的传感数据，提取每组传感数据的时序特征数据列；计算每两个制造设备的时序特征数据列之间的互信息，将互信息在预设范围内的多个时序特征数据列归为一类；构建同一类的时序特征数据列的每个特征数据和对应类别的相似化函数,并按相似度从大到小排序,选择相似度最大的m个特征数据作为输入特征数据；构建一维深度特征融合模型，获得一维特征表示向量序列；构建二维深度特征融合模型，将一维特征表示向量序列结合传感器位置信息作为输入数据，输出一维特征表示向量序列的二维空间特征数据，有效解决了现有技术中特征提取类型的单一性。

技术特征：

1.一种面向智能制造的互信息特征提取方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的互信息特征提取方法，其特征在于，步骤s3中，相似化函数argmax输出的相似度为m：

3.根据权利要求1所述的互信息特征提取方法，其特征在于，步骤s4中，通过一维深度特征融合模型gpe输出一维特征表示向量序列x1d：

4.根据权利要求3所述的互信息特征提取方法，其特征在于，所述神经网络模型np为：

5.根据权利要求3所述的互信息特征提取方法，其特征在于，步骤s5中，二维深度特征融合模型gc利用cnn神经网络ncnn提取出二维空间特征数据x2d：

6.根据权利要求5所述的互信息特征提取方法，其特征在于，搭建cnn神经网络ncnn：

7.根据权利要求1所述的互信息特征提取方法，其特征在于，步骤s2中，互信息i(x;y)表达式如下:

技术总结
本发明涉及智能制造数据处理技术领域，具体涉及一种面向智能制造的互信息特征提取方法，通过安装于多个制造设备上的智能传感器采集不同制造设备的传感数据，提取每组传感数据的时序特征数据列；计算每两个制造设备的时序特征数据列之间的互信息，将互信息在预设范围内的多个时序特征数据列归为一类；构建同一类的时序特征数据列的每个特征数据和对应类别的相似化函数,并按相似度从大到小排序,选择相似度最大的m个特征数据作为输入特征数据；构建一维深度特征融合模型，获得一维特征表示向量序列；构建二维深度特征融合模型，将一维特征表示向量序列结合传感器位置信息作为输入数据，输出一维特征表示向量序列的二维空间特征数据。

技术研发人员：李晋,徐曼,沈江,张悦,潘婷
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/3/21