基于数据可视化的复杂系统信号时序识别方法与流程

本申请涉及机械工程技术领域，特别是涉及复杂系统检测故障或潜在故障的故障诊断。

背景技术：

复杂系统在运行过程中，各系统会产生大量的数字量及模拟量信号，为便于操作人员掌握复杂系统各部分的运行状态，做出正确操作及决策，需要在复杂系统关键位置设置数据监测点，数据采集设备将各系统数据进行采集汇总后通过无线传输将数据发送至操作计算机，操作计算机接收到数据后对其进行分析，进行数据处理以实现复杂系统运行状态的监测及故障的诊断。

在进行故障诊断时往往需要考虑信号的时序特征是否正常。

目前常用的时序特征分析方式有以下两种。

1)是对单信号进行简单的逻辑判断，但是此种方法不适用于复杂系统，只适用于时序规则简单、易于描述的情况。

2)针对系统原理或控制系统特点等进行时序特征的算法研究，通过算法对时序特征进行识别，但是此类方法无法适用于所有时序特征。

因此，目前需要本领域技术人员迫切解决的一个技术问题就是：探索一种可以自主学习时序规则，且实适用性广的时序特征识别方法。

技术实现要素：

本发明的目的在于提供一种基于数据可视化的复杂系统信号时序特征识别方法，适用性强，不需要总结时序规律即可时序特征进行识别。

为实现上述目的，本发明提供了一种基于数据可视化的复杂系统信号时序特征识别方法，包括：

s1、构建卷积神经网络模型作为时序特征识别模型；

s2、对信号数据进行可视化处理形成时序图像；

s3、对所述时序图像进行预处理；

s4、利用所述时序特征识别模型对于预处理后的时序图像进行时序特征识别，输出结果。

根据本发明的一个方面，在所述步骤s1中，包括：

s11、采集不同时序状态下的信号数据，对信号数据基于时序进行可视化处理形成可视化图像；

s12、根据采集时的时序状态，对可视化图像依次进行分类和预处理，将预处理后的图像根据分类制作成数据集；

s13、创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数；

s14、利用所述步骤s12中获得的数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。

根据本发明的一个方面，在所述模型构建方法的第一步中步骤s11中，对于采集到的信号数据实用可视化工具将其以时间为横坐标进行可视化处理，得到信号数据随时序变化的可视化图像。

根据本发明的一个方面，在所述步骤s12中，将预处理后的图像按照正常类别和故障类分别制作成数据集。

根据本发明的一个方面，所述数据集包括训练集、测试集和验证集。

根据本发明的一个方面，在所述步骤s13中，创建sample模型同时选择现有的inception-v3模型设置预约训练参数；

所述sample模型包括一个输入层、两个隐藏层、两个全连接层及一个softmax分类层。

根据本发明的一个方面，所述步骤s14包括：

使用训练集对sample模型和inception-v3模型进行训练；

之后使用所述测试集对训练后的所述模型进行测试，再使用所述验证集对所述模型进行验证，若所述模型满足时序特征识别要求，则将其作为所述时序特征识别模型；

若不满足，则修改历史模式参数设置，重新对所述模型进行训练、测试和验证，直至满足时序特征识别要求，将所述模型作为时序特征识别模型。

根据本发明的一个方面，在所述步骤s2中，将二进制信号数据进行解析，对其进行图像可视化将信号的时序特征映射至图像形成时序图像。

根据本发明的一个方面，在所述步骤s3中，将信号按照时序可视化后的时序图像进行坐标系的模糊，将所有时序图像进行形状、像素的统一处理，突出其线性的时序特征及其趋势。

根据本发明的一个方面，在所述步骤s4中，时序特征识别模型对预处理后的时序图像进行识别后，输出特征识别类型；

所述特征识别类型包括正常类型和异常类型。

本发明的有益效果：

本发明的基于数据可视化的复杂系统信号时序特征识别方法，不需要了解复杂系统的运行及控制原理，即不需要总结时序规律即可时序特征进行识别。通过构建、训练、测试和验证模型，形成最终的时序特征识别模型，然后通过此模型以模型预测的形式对信号数据的可视化时序特征进行识别。

附图说明

图1示意性表示本发明的基于数据可视化的复杂系统信号时序特征识别方法的流程图；

图2示意性表示根据发明的时序特征识别模型的构建过程流程图；

图3示意性表示根据本发明一种实施方式的基于数据可视化的复杂系统信号时序特征识别的过程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

结合图1所示，本发明的基于数据可视化的复杂系统信号时序特征识别方法包括：s1、构建卷积神经网络模型作为时序特征识别模型；s2、对信号数据进行可视化处理形成时序图像；s3、对时序图像进行预处理；s4、利用时序特征识别模型对于预处理后的时序图像进行时序特征识别，输出结果。

本发明的信号时序特征识别方法，不需要了解复杂系统的运行及控制原理，设置监测点后对系统运行过程中的关键参数进行采集，对采集到的信号数据进行可视化处理和预处理之后即可利用时序特征识别模型对图像形态的信号数据进行分类识别，从而可实现时序特征的识别，具有适用性广、准确度高的特点。

以下对本发明的方法进行详细说明：

本发明的信号时序特征识别方法，首先需要在步骤s1中构建卷积神经网络作为时序特征识别模型。结合图2所示，步骤s1包括：s11、采集不同时序状态下的信号数据，对信号数据基于时序进行可视化处理形成可视化图像；s12、根据采集时的时序状态，对可视化图像依次进行分类和预处理，将预处理后的图像根据分类制作成数据集；s13、创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数；s14、利用步骤s12中获得的数据集对卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。

具体来说，采集的信号数据记录(数据请求)应不少于20组，确保信号数据可以反映出其时序特征。之后信号数据进行数据可视化处理。根据本发明的一种实施方式，对于请求到的数据按照时序使用echarts可视化工具将其以时间为横坐标进行可视化处理，得到该信号随时序变化的时序图像。当然，根据本发明的构思，可视化工具的选择不具有局限性，同样可以选择其他可视化工具对信号数据进行处理，原则上只要满足使用要求即可。

之后需要将得到的时序图像根据该信号数据采集时的系统运行状态进行分类，例如：“正常运行时采集的数据图像类、运行时发生故障1时的数据图像类、运行时发生故障2时的数据图像类”等。然后按照信号数据可视化以后的时序图像分类，将所有数据归结为正常类及故障类两大类，以正常类别和故障类别为分类制作数据集。之后按照具体时序特征细再分成若干小类，即将数据集再分为训练集、测试集及验证集，根据本发明的一种实施方式，将训练集、测试集和验证集的比例定为8∶1∶1，如此便于后续对卷积神经网络的训练、测试及验证。在本实施方式，将时序图像制作为tfrecord格式的数据集。

接着进行卷积神经网络结构设计。根据本发明的构思，可以根据需要自主构建卷积神经网络模型，也可以按照需求使用现有的比较成熟的卷积神经网络模型结构，例如：vggnet、alexnet、resnet等。当然，还可以即使用自主构建的卷积神经网络模型，同时还可以使用现有的比较成熟的卷积神经网络模型结构。在本实施方式中，使用了两种模型结构，一种是自己搭建的samp模型，其包含一个输入层，两个隐藏层，两个池化层及一个分类层。另外一种是现有的较为成熟的inception-v3的卷积神经网络模型。

之后在samp模型和inception-v3模型进行训练之前，还需要对其设置预训练参数，即对卷积神经网络的学习速率、样本批次容量、权重衰减、训练次数等参数进行设置，以获得最佳收敛效果及准确率、误差损失为目标。

最后再利用数据集对samp模型和inception-v3模型进行训练、测试和验证，具体包括：使用训练集对sample模型和inception-v3模型进行训练。训练完成之后使用测试集对训练后的模型进行测试，再使用验证集对模型进行验证，获得模型的评估参数。若模型满足时序特征识别要求，则将其作为时序特征识别模型。若不满足，则修改历史模式参数设置，重新对模型进行训练、测试和验证，直至满足时序特征识别要求，将模型作为时序特征识别模型。

获取时序特征识别模型即完成本发明方法的步骤s1，之后即可利用此时序特征识别模型对信号数据进行特征识别。具体来说，结合图1和图3所示，由于信号数据采集时为二进制数据流格式，首先需要将待时序特征识别的信号数据解析为十进制数字量或枚举值，在解析后将解析数据按照时序存储至数据库中。将数据库中存储的当前运行数据按照时间顺序进行可视化，实现数据的时序特征映射至图像形成时序图像。在本实施方式中使用的是echarts数据可视化工具。

然后需要在步骤s3中对时序预想进行预处理：将信号数据按照时序可视化后的图像进行坐标系的模糊，将所有图像进行形状、像素的统一处理，突出其线性的时序特征及其趋势。

最终在步骤s4中，使用训练、测试后验证后的卷积神经网络模型进行信号时序特征的识别。在本实施方式中，使用的模型是sample模型及inception-v3模型。根据实验验证，sample模型的识别准确率为99.5％，单张图像时序识别的时耗约为58ms。inception-v3模型的识别准确率为97.3％，单张图像时序识别的时耗约为23ms。

通过上述过程，即可利用sample模型及inception-v3模型识别出当前信号数据的时序特征是否发生异常，根据故障模式分类可以匹配到各故障模式下的该时序异常特征出现的概率，实现对其故障时序特征的定位。即根据sample模型及inception-v3模型的识别结果判别该信号的时序特征是否出现异常，若未出现异常，则其时序特征正常。若出现异常，则模型可以根据数据集分类对其故障时序特征类别进行定位，输出异常信号及其时序故障特征。

以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。