导航：X技能最新专利核算;核算;计数设备的制作及其运用技能

  1.本创造触及非特定变量的丈量或测验，详细而言，触及一种用于飞机的电动液压舵机的数据集特征的提取办法

  2.电动液压舵机体系是一种杂乱的机电一体化体系，一起也是一种高精度的方位伺服体系，对飞翔器的姿势操控具有重要影响。跟着科学技能的不断发展，先进航空器广泛选用速度快、精度高、功率分量比大的全数字化伺服舵机体系。今世工程运用对舵机的可靠性提出了更高的要求。舵机要害参数退化进程猜测是舵机可靠性研讨的一个重要方面。精准猜测舵机要害参数未来时刻序列，掌握参数改变趋势规则，关于合理安排修理方案、进步飞翔质量、保证飞翔安全、下降全寿数周期费用等具有重要意义。传统的时序外推猜测办法一般选用时刻序列分化的战略，经过将时刻序列分化为趋势项、时节项、残差项等别离进行猜测，终究交融各项猜测成果得到参数的时序外推猜测序列。可是，关于电动液压舵机这样的杂乱机电体系，其退化进程往往表现出非线性，导致其退化参数的时刻序列往往难以按照传统办法进行有用分化，给舵机要害参数未来时序猜测问题带来了很大困难。

  3.为了处理该问题，提出了一种依据神经网络的人工特征与卷积特征交融的特征提取办法。该办法结合人工时域特征与卷积深度特征，经过二次自编码机制完结特征交融，能够将原始参数的时序依靠联系与改变趋势直接映射到隐层深度特色傍边，避免了传统办法中序列分化的问题，为电动液压舵机要害参数退化时序的外推猜测问题供给了更有用的办法。

  4.为了处理现有技能所存在的问题，本创造提出一种依据深度神经网络的人工特征与卷积特征交融的特征提取办法。

  5.依据本创造的一个方面，供给一种依据深度神经网络的人工特征与卷积特征交融的特征提取办法，所述办法包含：获取电动液压舵机的毛病猜测数据；对所述毛病数据进行归纳预处理，以得到练习数据集和测验数据集；将所述练习数据集别离送入卷积神经网络一次自编码器和依据专家常识的人工时域特征提取模块；在所述卷积神经网络一次自编码器中进行依据卷积神经网络的特征提取，取得卷积特搜集；在所述人工时域特征提取模块进行依据专家常识的时域特征提取，取得人工时域特搜集；对所述卷积特搜集和所述人工时域特搜集进行特征拼接，得到交融特征；将所述交融特征送入二次自编码器和解码器，进行依据堆叠自编码器的深度特征交融。

  6.优选地是，所述获取毛病猜测数据的进程，包含针对电动液压舵机体系的毛病猜测要求，运用simulink软件对所述电动液压舵机体系进行结构化建模并进行毛病仿照。

  7.优选地是，所述结构化建模包含确认毛病注入点，所述毛病注入点为输入反应电

  8.优选地是，所述归纳预处理进程包含：对要害参数时序数据进行滑窗切开，结构样本数据集；对练习数据集进行极大极小值归一化处理；以及结构练习数据集和测验数据集。

  9.优选地是，所述依据卷积神经网络的特征提取包含：依据卷积神经网络的一次自编码模型构建；以卷积一次自编码器模型的预练习；以及运用卷积编码器进行卷积特征提取。

  }，将其数据格局转化为三维数据格局(sn，w，1)，将所构建好的三维练习数据集输入特征提取模型重复履行前向传达和反向传达迭代核算进程，以对所构建的一次自编码模型的卷积层、池化层、全衔接层的模型参数不断进行调整，以完结模型的预练习，其间{s

  }为经过归一化处理的样本数据集，sn为样本数量，w为每个样本的数据长度，1为通道数。

  11.优选地是，所述一次自编码模型包含多个卷积层、多个池化层和一个flatten全衔接层，所述全衔接层运用多层堆叠的卷积层和池化提取的特征进行特征辨认，在所述全衔接层上运用softmax回归，所述softmax函数的输出为

  优选地是，所述人工时域特征提取进程包含：对归一化的所述练习数据进行滑窗切开；对切开出的每个样本提取不同的时域数据；以及对时域数据特征的归一化处理。

  进行cnn特征提取和人工特征提取并进行特征交融，可将练习数据集重新组织为(n，n

  )的二维交融特征矩阵，并把所述交融特征矩阵作为后续sae编码模型的输入。

  优选地是，所述依据堆叠自编码器(sae)的深度特征交融包含：构建二次自编码器和解码器，练习所述二次编码器和解码器；以及运用堆叠的二次自编码器进行深度特征交融。

  本创造内容仅作为在详细施行办法和附图中彻底描绘的主题的介绍。不该将创造内容认定为描绘了必要技能特征，也不该当用来确认权利要求的规模。此外，应该了解的

  是，上述创造内容和以下详细施行办法仅仅是示例性的和解说性的，而且不作为所要求维护的主题的必要约束。

  本揭露的各种施行例或样例(“示例”)在以下的详细施行办法和附图中得以揭露。没必要将附图按份额制作。一般来说，除非在权利要求中还有规则，不然能够恣意次序履行所揭露办法的操作。附图中：

  图1示出了依据本创造的依据深度神经网络的人工特征与卷积特征交融的特征提取办法流程图；

  在详细解说本揭露的一个或多个施行例之前，应当了解，施行例不限于它们详细运用中的结构细节，以及下文施行办法或附图所提出进程或办法。

  现在参阅图1，图1示出了依据本创造的依据深度神经网络的人工特征与卷积特征交融的特征提取办法流程图。如图1所示的特征提取办法，其包含多个进程：进程1：获取电动液压舵机的毛病猜测数据；进程2：对毛病数据进行归纳预处理；进程3：进行依据卷积神经网络的特征提取；进程4：对练习数据集进行依据专家常识的人工时域特征提取；进程5：对依据经历常识提取的人工特征和依据cnn特征提取模型提取的高维隐含层特征进行特征拼接；进程6：进行依据堆叠自编码器的深度特征交融。下面结合图1对本创造的特征提取办法进行详细的阐明。

  受限于实际实验条件与实际运用环境，产品实在毛病数据获取困难这一状况广泛存在。仿真剖析是国内外处理数据匮乏问题的首要手法之一，广泛的研讨成果都是依据仿真模型进行毛病注入、获取相应的毛病数据。因而，本创造为了获取电动液压舵机的毛病猜测数据，需求运用simulink软件对电动液压舵机进行结构化建模并进行毛病仿照。在操作中，运用该simulink模型进行毛病注入，能够最大极限获取挨近实在毛病状况的数据，完结毛病猜测模型验证。

  针对舵机体系毛病猜测要求，首要对舵机体系结构进行了模型化处理，然后运用simulink仿真软件建立舵机操控体系仿真模型，用于生成仿真数据。在舵机操控体系仿真模型的基础上，选取恰当的舵机体系仿真模型毛病注入点进行毛病注入并收集仿真信号，用于舵机操控体系毛病猜测模型的开发和验证。获取电动液压舵机毛病猜测数据的办法如图2所示。

  首要，针对舵机体系毛病猜测要求，对舵机操控体系模型进行结构化处理。结构化处理的舵机体系首要包含动力体系和方位伺服体系，如图2中的舵机体系结构剖析模块所示，其要害组成部件首要包含：功放组合、直流电机、电液伺服阀、液压变量泵、作动筒、操作组织、反应电位器、高压安全阀、低压安全阀、油滤、邮箱等部件。

  在对舵机操控体系模型进行结构化处理的基础上，运用simulink仿照软件，建立舵机操控体系仿真模型，在此仿真模型的基础上确认毛病注入点。毛病注入点可依据毛病猜测需求和前史毛病数据来选取，其一般在舵机的各个组成部件上注入。在本技能中，例如能够选取反应放大系数作为毛病注入点，并在反应电位器上进行毛病注入。终究，进行毛病仿真仿照与信号收集。信号收集的数据能够是舵机操控体系的各种操控指令和状况信号，其是本技能的电动舵机要害参数时序数据，例如包含：操控指令、一致时钟、位移信号、反应视点。这些选取的要害参数时序数据就构成了待猜测参数的前史时序数据。其间反应视点能够有用地表征舵机体系的健康状况，因而，能够挑选反应视点作为后续的被猜测参数。

  舵机毛病猜测数据获取单元取得的数据，例如是反应视点信号，送入毛病数据预处理单元进行归纳处理，以得到练习数据集和测验数据集，详细参照图1所示的归纳数据预处理模块，其包含：

  对传感器收集到的任一电动舵机要害参数时序数据为x，x＝{x1，x2，...x

  }，对x进行滑窗切开然后生成相应的样本数据集。当窗口宽度为w步长为s时，切开生成的样本数量为：

  为了进步数据表达才能，加速后续模型的练习的收敛速度，需求对练习数据集进行归一化处理，首要是经过极大极小值归一法对原始参数的幅值进行缩放，完结数据的线性变换。关于单个样本数据s

  从一切数据中选取前r％的数据作为练习数据集，剩余的数据作为测验数据集，用于验证模型猜测功用。一般来说，r一般取60

  经过归纳数据预处理模块处理后得到的练习数据集，别离送入卷积神经网络一次自编码器和依据专家常识的人工时域特征提取模块，以得到卷积特征和人工特时域征。该特征提取进程详细包含：依据卷积神经网络的一次自编码模型构建，如图3所示；以及如图4

  首要，运用练习数据集，构建依据卷积神经网络(cnn)的一次自编码模型，并运用练习数据集进行模型的预练习。因为二维卷积神经网络对输入数据的格局要求为三维数据，因而需求结构练习数据集。结构练习集是为了满意二维的一次自编码模型的输入要求，其办法是将练习数据集s

  }的数据格局转化为(sn，w，1)，其间sn为样本数量，w为每个样本的数据长度，1为通道数。将构建好的练习样本数据集输入图3所示的依据卷积神经网络(cnn)的一次自编码模型。

  卷积神经网络(convolutional neural network)是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是完结卷积神经网络特征提取功用的中心部分。cnn是一种专门用来处理具有相似网络结构数据的神经网络，经过仿照生物视觉运行机制对原始数据进行特征提取，不同cnn层之间具有权值同享的特色，有用下降了网络的杂乱度，避免因数据量过少而引起的过拟合问题和避免多维数据特征提取时数据重建的杂乱度。如图3所示，本创造的深度卷积神经网络包含多个卷积层、多个池化层和一个flatten全衔接层。

  1个卷积层中第m个输出特征向量，*代表卷积操作，别离表明第r个卷积层中第n个卷积核的权重和偏置，relu表明非线]

  池化层：经过参加池化层能够削减卷积特征的空间维数，避免过拟合。最大池化层是最常用的池化层，它只取输入中最重要的部分(最高的值)，能够表明为

  全衔接层：运用多层堆叠的卷积层和池化提取的特征，终究输入全衔接层进行特征辨认，一般在顶层全衔接层上运用softmax回归。界说softmax函数的输出为

  其间卷积层经过运用必定数量的卷积核来提取输入数据在时域上的不同特征，经过池化层能够有用的缩小参数矩阵的尺度，然后削减终究衔接层的中的参数数量，参加池化层能够加速核算速度以及避免模型过拟合，终究运用全衔接层将高维隐含层中的特征参数映射至原始的输入数据，然后练习模型的特征提取才能。

  其次，挑选适宜的迭代次数和丢失函数，将所构建好的三维练习数据集输入特征提取模型重复履行前向传达和反向传达迭代核算进程；在此进程中，对卷积层、池化层、全

  再次，取出预练习模型的两层卷积层和两层池化层以及一层全衔接层，并保存其权重参数，将其构建为练习后的深度卷积神经网络一次自编码模型。

  }进行依据专家常识的时域特征提取。详细包含对归一化练习数据进行滑窗切开，对切开出的每个样本提取不同的时域数据以及时域特征的归一化处理。

  别离提取最大值、标准差、方差、波形因子、均方根、脉冲指数、裕度因子、峰值因子八个时域特征：关于窗口数据s

  }，运用极大极小值归一办法对人工特征进行归一化处理，详细可参阅归纳数据预处理中的进程2。

  五、对依据专家常识提取的人工特征和依据cnn特征提取模型提取的高维隐含层特征进行特征拼接

  持续参阅图1和图4，在cnn特征提取模型提取高维隐含层特征和人工特征提取模块提取人工时域特征之后，对所述高维隐含层特征和人工时域特征进行特征拼接。cnn特征提取模型提取的特征矩阵为m

  为卷积核步长，f为卷积核尺度。人工特征提取模块提取的人工时域特征矩阵为m

  )的二维交融特征矩阵，并把此交融特征矩阵作为后续sae编码模型的输入。

  参阅图5，图5为图1所示的依据sae的二次自编码器的结构示意图。在此二次自编码器种，进行依据堆叠自编码器的深度特征交融，详细包含构建二次自编码器和解码器，练习二次编码器和解码器以及运用堆叠的二次自编码器进行深度特征交融。

  首要，构建堆叠二次自编码器和解码器模型，其模型结构如图5所示，编码层数与解码层数相同，能够使得模型对深度特征具有更好的二次编码才能。

  其次，运用进程(五)中得到的二维交融特征矩阵进行二次自编码器模型的预练习，以二维交融特征矩阵作为堆叠二次自编码模型的输入和输出，挑选适宜的丢失函数和迭代次数，完结前向传达和反向传达迭代核算进程，使模型不断重构本身输入，终究从完结预练习的堆叠二次自编码器模型中提取其间的编码层作为可用的二次自编码模型。

  终究，依据预练习得到的二次自编码器模型对深度交融特征进行二次自编码，然后得到二次编码特搜集{f

  本创造的一个重要工作在于创新地规划了依据深度神经网络的人工特征与卷积特征交融的特征提取办法，该办法直接影响外推猜测模型的液压作动体系退化趋势猜测及健康评价。依据此，咱们以舵机体系“作动筒内漏”毛病，选取“流量注入点”测点收集的反应视点数据进行示例阐明。

  电动液压舵机的结构化模型如图2所示，其毛病猜测设定为“作动筒内漏”毛病，其数据为反应视点时域数据。在获取反应视点数据后，对此数据进行预处理。在本事例中，挑选窗口长度为9000，步长为1，关于每个窗口的数据，前6000长度的数据作为依据卷积神经网络序列外推猜测模型的输入，后3000长度的数据作为该窗口的标签数据，即为猜测数据。关于悉数归一化的反应视点数据，选取前70％的数据作为练习数据集，剩余的30％数据作为验证数据集，用于验证模型猜测功用。

  考虑舵机反应视点数据的参数特性，运用卷积神经网络对归一化样本数据进行样本特征提取。持续参阅图1、图3和图4，卷积层经过运用必定数量的卷积核来提取输入数据在时域上的不同特征，经过池化层能够有用的缩小参数矩阵的尺度，然后削减终究衔接层的中的参数数量，参加池化层能够加速核算速度以及避免模型过拟合，运用两层卷积层将原式数据映射至高维隐含空间以此学习数据的非线性特征，再结合展平层和全衔接层将高维样本特征重映射至原始的输入数据然后学习原始样本的要害特征，选取将原始数据样本映射到低维特征空间的模块作为模型的编码器，选取提取挑选后的特征重构样本的模块作为模型的解码器。本创造挑选的模型结构参数如表1所示

  挑选适宜的迭代次数和丢失函数，将所构建好的三维练习数据集输入特征提取模型重复履行前向传达和反向传达迭代核算进程，对卷积层、池化层、全衔接层的模型参数不断进行调整完结模型的预练习，取出预练习模型的两层卷积层和两层池化层以及一层全衔接层，并保存其权重参数，将其构建为cnn特征提取模型。

  详细地，以窗口长度为3000，步长为3000再对每个窗口的练习数据进行切开并对每个子窗口的数据进行人工特征提取，特征提取成果如图7a和图7b所示。

  3、对依据专家常识提取的人工特征和依据cnn特征提取模型提取的高维隐含层特征进行特征拼接

  运用二维交融特征矩阵进行二次自编码器模型的预练习，以二维交融特征矩阵作为堆叠二次自编码模型的输入和输出，挑选适宜的丢失函数和迭代次数，完结前向传达和反向传达迭代核算进程，使模型不断重构本身输入，终究从完结预练习的堆叠二次自编码器模型中提取其间的编码层作为可用的二次自编码模型。

  虽然现已参阅附图所示的施行例描绘了本创造，可是可在不脱离权利要求规模的状况下运用同等或代替手法。本创造所描绘和图示的组件仅仅是能够用于完结本揭露的施行例的体系/设备和办法的示例，而且能够在不脱离权利要求规模的状况下用其他设备和组件进行替换。