本發(fā)明公開了一種基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法及系統(tǒng)，屬于裝備質(zhì)量狀態(tài)等級劃分。

背景技術(shù)：

1、傳統(tǒng)的裝備狀態(tài)監(jiān)測與故障診斷方法主要依賴于單一傳感器數(shù)據(jù)的分析，如振動(dòng)監(jiān)測、溫度控制等，但這些方法在面對復(fù)雜工況和多元故障模式時(shí)顯得力不從心。近年來，多源信息融合與先進(jìn)算法的集成應(yīng)用逐漸成為提升裝備健康管理能力的關(guān)鍵路徑。其中，聚類算法作為一種無監(jiān)督學(xué)習(xí)方法，在處理大規(guī)模、多維度數(shù)據(jù)中展現(xiàn)出了強(qiáng)大的模式識別和異常檢測能力，廣泛應(yīng)用于狀態(tài)監(jiān)測與故障預(yù)警領(lǐng)域。然而，如何高效整合多模態(tài)數(shù)據(jù)并準(zhǔn)確劃分裝備運(yùn)行狀態(tài)等級，仍是一個(gè)亟待解決的技術(shù)挑戰(zhàn)。

2、當(dāng)前，盡管已有研究嘗試結(jié)合多種傳感器數(shù)據(jù)進(jìn)行裝備狀態(tài)評估，但大多集中在單一算法的應(yīng)用，如k-means聚類，這些方法在處理高維度、非線性數(shù)據(jù)時(shí)易受初始條件影響，且難以有效融合不同類型的數(shù)據(jù)特征。此外，多數(shù)研究未能充分利用裝備運(yùn)行數(shù)據(jù)的時(shí)空特性，缺乏對裝備狀態(tài)進(jìn)行多層次、精細(xì)化劃分的系統(tǒng)性策略，導(dǎo)致預(yù)警準(zhǔn)確性和故障診斷的及時(shí)性受限。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法及系統(tǒng)解決現(xiàn)有技術(shù)在在面對復(fù)雜工況和多元故障模式時(shí)顯得力不從心，處理復(fù)雜裝備狀態(tài)監(jiān)測與故障預(yù)警方面不足的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

3、本發(fā)明的一種基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法，其特殊之處在于包括以下步驟：

4、步驟1：收集裝備的多源數(shù)據(jù)，對收集的多源數(shù)據(jù)進(jìn)行預(yù)處理；

5、步驟2：基于預(yù)處理后的多源數(shù)據(jù)，構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，實(shí)現(xiàn)多模態(tài)特征映射；

6、步驟3：基于多模態(tài)特征的映射，采用譜聚類算法，構(gòu)建加權(quán)相似度矩陣及拉普拉斯矩陣，通過第二大特征值對應(yīng)的特征向量獲得聚類標(biāo)簽；

7、步驟4：依據(jù)聚類標(biāo)簽，構(gòu)建多層次的聚類結(jié)構(gòu)，建立狀態(tài)等級映射規(guī)則，劃分裝備狀態(tài)等級。

8、作為本發(fā)明所述基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的一種優(yōu)選方案，其中：步驟1中所述收集裝備的多源數(shù)據(jù)包括以下步驟：

9、部署高精度傳感器、高清工業(yè)攝像頭和高靈敏度麥克風(fēng)陣列均勻分布在關(guān)鍵部件和潛在故障區(qū)域；

10、部署高精度傳感器包括三軸加速度計(jì)和熱電偶，其中，三軸加速度計(jì)用于振動(dòng)檢測，收集振動(dòng)信號，熱電偶用于監(jiān)測溫度變化，收集溫度數(shù)據(jù)；

11、高清工業(yè)攝像頭用于圖像采集，對設(shè)備表面裂紋、磨損的視覺異常進(jìn)行實(shí)時(shí)識別，得到圖像數(shù)據(jù)；

12、高靈敏度麥克風(fēng)陣列用于聲音錄制，收集語音信號；

13、根據(jù)裝備運(yùn)行周期和故障發(fā)生頻次，設(shè)置合理的數(shù)據(jù)采集頻率，利用時(shí)間戳同步技術(shù)，確保所有傳感器數(shù)據(jù)的時(shí)間精確對齊。

14、作為本發(fā)明所述基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的一種優(yōu)選方案，其中：步驟2中所述預(yù)處理包括以下步驟：

15、識別并剔除傳感器數(shù)據(jù)中的離群點(diǎn)，使用z-score標(biāo)準(zhǔn)化對連續(xù)數(shù)值數(shù)據(jù)進(jìn)行處理；

16、采用中值濾波對圖像數(shù)據(jù)去除椒鹽噪聲，應(yīng)用opencv進(jìn)行亮度調(diào)整、對比度增強(qiáng)、旋轉(zhuǎn)和平移的圖像增強(qiáng)操作，使用預(yù)訓(xùn)練的vgg16模型的前幾層作為特征提取器，輸入尺寸調(diào)整為224x224像素，提取4096維特征向量；

17、通過譜減法對語音信號去除背景噪音，通過librosa提取13維mfcc特征，加上一階和二階導(dǎo)數(shù)，共39維特征。

18、作為本發(fā)明所述基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的一種優(yōu)選方案，其中：步驟2中所述構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)包括以下步驟：

19、多模態(tài)特征融合網(wǎng)絡(luò)包括圖像分支、語音分支和數(shù)值數(shù)據(jù)分支；

20、定義圖像分支，使用resnet50作為骨干網(wǎng)絡(luò)，移除頂部分類層，輸出2048維特征向量；

21、定義語音分支，lstm層接受mfcc特征，通過多層lstm結(jié)構(gòu)提取時(shí)序特征，展平為固定長度向量；

22、定義數(shù)值數(shù)據(jù)分支，直接將振動(dòng)和溫度數(shù)據(jù)通過全連接層處理，轉(zhuǎn)換成高維特征向量；

23、將圖像分支、語音分支和數(shù)值數(shù)據(jù)分支的輸出向量使用全連接層映射到同一維度，設(shè)置為1024維。

24、作為本發(fā)明所述基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的一種優(yōu)選方案，其中：步驟3中所述采用譜聚類算法包括以下步驟：

25、定義一個(gè)數(shù)據(jù)集x，包含n個(gè)樣本，每個(gè)樣本有m個(gè)特征，表示為，

26、x＝{x1，x2，…，xi，...，xj，...，xn}

27、其中，每個(gè)樣本xi(i＝1，2，……，n)是一個(gè)m維向量，進(jìn)一步表達(dá)為：

28、xi＝[xi1，xi2，...，xik，...，xim]t

29、其中，xik表示第i個(gè)樣本在第k個(gè)特征上的值；

30、其中，每個(gè)樣本xj(j＝1，2，……，n)是一個(gè)m維向量，進(jìn)一步表達(dá)為：

31、xj＝[xj1，xj2，...，xjk，...，xjm]t

32、其中，xjk表示第j個(gè)樣本在第k個(gè)特征上的值；

33、對特征向量進(jìn)行加權(quán)，構(gòu)建加權(quán)相似度矩陣w，用于表示數(shù)據(jù)集中所有樣本兩兩之間加權(quán)相似度的矩陣，表示為，

34、

35、其中，每個(gè)元素wij(i＝1，2，……，n；j＝1，2，……，n)用來量化第i個(gè)樣本與第j個(gè)樣本經(jīng)過特征權(quán)重w調(diào)整后的特征向量之間的相似度，表達(dá)式為，

36、

37、其中，表示第i個(gè)樣本經(jīng)過特征權(quán)重w加權(quán)后的特征向量，表示第j個(gè)樣本經(jīng)過特征權(quán)重w加權(quán)后的特征向量，表示第i個(gè)樣本與第j個(gè)樣本經(jīng)過特征權(quán)重w加權(quán)處理后的特征向量之間的歐氏距離的平方，b為高斯核寬度，用來控制相似度隨距離增加而衰減的速度；

38、構(gòu)建度矩陣d，dii是度矩陣d的對角線元素，表示第i個(gè)樣本的度，即所有與其相鄰樣本的相似度之和，表達(dá)式為，

39、

40、其中，n是樣本數(shù)量，wij是加權(quán)相似度矩陣中的元素，表示樣本i和j之間的相似度；

41、基于加權(quán)相似度矩陣w，構(gòu)建拉普拉斯矩陣l，表達(dá)式為，

42、l＝d-w

43、其中，l是拉普拉斯矩陣，w是加權(quán)相似度矩陣，d是度矩陣；

44、利用拉普拉斯矩陣的特征向量進(jìn)行聚類，找到與聚類數(shù)相等的特征向量，即第二大特征值對應(yīng)的特征向量，將其作為聚類標(biāo)簽的初步表示；

45、指定要找的聚類數(shù)量為3個(gè)，聚類標(biāo)簽0對應(yīng)表示的是“正?！保垲悩?biāo)簽1對應(yīng)表示的是“預(yù)警”，聚類標(biāo)簽2對應(yīng)表示的是“故障”。

46、作為本發(fā)明所述基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的一種優(yōu)選方案，其中：步驟4中所述構(gòu)建多層次的聚類結(jié)構(gòu)包括以下步驟：

47、定義數(shù)據(jù)集x中任意兩個(gè)樣本xi和xj之間的歐氏距離dij，表達(dá)式為，

48、

49、其中，m是特征的維度數(shù)，xik表示第i個(gè)樣本在第k個(gè)特征上的值，xjk表示第j個(gè)樣本在第k個(gè)特征上的值；

50、計(jì)算所有樣本間的歐氏距離dij(i≠j)，每對樣本被計(jì)算一次，得出平均值averagedistance，表達(dá)式為，

51、

52、以平均值average?distance乘以0.5作為層次聚類的初始距離閾值initialthreshold，表達(dá)式為，

53、initial?threshold＝0.5×average?d?istance

54、采用ward最小方差法作為聚類準(zhǔn)則，通過最小化每次合并簇時(shí)的總方差增量來決定合并順序的合并策略，以初始距離閾值開始，凝聚層次聚類；

55、每次迭代增加5％的閾值，合并距離最近的兩個(gè)簇，直到達(dá)到或超過初始閾值，形成多層次的聚類結(jié)構(gòu)。

56、作為本發(fā)明所述基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的一種優(yōu)選方案，其中：步驟4中所述建立狀態(tài)等級映射規(guī)則包括以下步驟：

57、提取每個(gè)簇的質(zhì)心作為代表性特征向量，質(zhì)心是簇內(nèi)所有樣本的特征均值，在計(jì)算簇間距離時(shí)，將每個(gè)簇的質(zhì)心視為多維空間中的點(diǎn)，則兩個(gè)簇中心之間的歐氏距離計(jì)算公式為：

58、

59、其中，分別代表兩個(gè)簇的質(zhì)心向量，m是特征的維度數(shù)，c1k和c2k分別表示兩個(gè)質(zhì)心在第k個(gè)特征上的值；

60、基于簇間距離，以“正?！贝氐馁|(zhì)心為參照點(diǎn)，對所有簇按照與參照點(diǎn)的距離進(jìn)行排序，距離最遠(yuǎn)的簇排在首位，距離最近的簇排在末尾；

61、計(jì)算均值μ，表達(dá)式為，

62、

63、其中，di表示每個(gè)簇質(zhì)心與參照點(diǎn)的距離，n是簇質(zhì)心的數(shù)量；

64、計(jì)算標(biāo)準(zhǔn)差σ，表達(dá)式為，

65、

66、其中，di表示每個(gè)簇質(zhì)心與參照點(diǎn)的距離，n是簇質(zhì)心的數(shù)量，μ為均值；

67、基于均值和標(biāo)準(zhǔn)差，根據(jù)排序結(jié)果，按照以下原則定義狀態(tài)等級：

68、當(dāng)di＞μ+2σ時(shí)，排序列表中最上方的簇，為距離最遠(yuǎn)簇，這些裝備的運(yùn)行參數(shù)遠(yuǎn)離故障特征，表明運(yùn)行狀態(tài)最為健康，最接近理想狀態(tài)，標(biāo)記為“正?！睜顟B(tài)；

69、當(dāng)μ+2σ＞di＞μ-σ時(shí)，排序列表中居中的簇，為中間距離簇，這些裝備雖然尚未達(dá)到故障水平，但已顯示出潛在的問題跡象，標(biāo)記為“預(yù)警”狀態(tài)；

70、當(dāng)di＜μ-σ時(shí)，排序列表中最下方的簇，為最近距離簇，這些設(shè)備的特征與已知故障模式最為接近，標(biāo)記為“故障”狀態(tài)。

71、本發(fā)明提供了一種基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分系統(tǒng)，其特殊之處在于包括：數(shù)據(jù)收集模塊、多模態(tài)特征融合網(wǎng)絡(luò)構(gòu)建模塊、譜聚類應(yīng)用模塊和裝備狀態(tài)等級劃分模塊。

72、所述數(shù)據(jù)收集模塊用于收集裝備的多源數(shù)據(jù)，對收集的多源數(shù)據(jù)進(jìn)行預(yù)處理；

73、所述多模態(tài)特征融合網(wǎng)絡(luò)構(gòu)建模塊用于基于預(yù)處理后的多源數(shù)據(jù)，構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，實(shí)現(xiàn)多模態(tài)特征映射；

74、所述譜聚類應(yīng)用模塊用于基于多模態(tài)特征的映射，采用譜聚類算法，構(gòu)建加權(quán)相似度矩陣及拉普拉斯矩陣，通過第二大特征值對應(yīng)的特征向量獲得聚類標(biāo)簽；

75、所述裝備狀態(tài)等級劃分模塊用于依據(jù)聚類標(biāo)簽，構(gòu)建多層次的聚類結(jié)構(gòu)，建立狀態(tài)等級映射規(guī)則，劃分裝備狀態(tài)等級。

76、本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的任一步驟。

77、本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于聚類算法的裝備質(zhì)量狀態(tài)等級劃分方法的任一步驟。

78、本發(fā)明有益效果為：本發(fā)明通過集成多模態(tài)數(shù)據(jù)處理、深度學(xué)習(xí)與先進(jìn)聚類技術(shù)，提供了一套全面、精準(zhǔn)的裝備狀態(tài)等級劃分解決方案，為實(shí)現(xiàn)裝備健康管理的智能化、精細(xì)化提供了強(qiáng)有力的技術(shù)支撐。