[发明专利]一种自适应深度耦合卷积自编码多模态数据融合方法

说明书

本发明提供一种自适应深度耦合卷积自编码多模态数据融合方法，包括以下步骤：S1、建立多模态数据融合检测框架；S2、采集数据集并对数据进行预处理S3、通过深度耦合卷积自编码多模态数据融合模型对数据进行融合；S4、将融合数据输入到Softmax网络模块进行包装设备健康检测；S5、通过灰狼优化算法(GWO)对耦合参数以及网络进行自适应寻优。本发明通过设计了一种深度耦合卷积自编码融合模型，将同步提取的多模态数据的独立、联合特征融合后用于设备的健康检测；于此同时，以检测效果为指标，通过GWO算法对耦合损失函数的参数、网络参数进行自适应调整，以在一定程度上解决不同模态数据特征差异性过大造成的数据融合难问题。

技术领域

本发明涉及一种基于多模态数据融合方法，更具体地，涉及一种自适应深度耦合卷积自编码多模态数据融合方法。

背景技术

随着智能技术发展，给装备制造业带来革命性的变化，智能装备已成为高端装备的前沿和制造业的核心，也是衡量一个国家科技创新和高端制造业水平的重要标志。目前，国家出台了《包装装备智能化工程》，组织实施高端包装装备关键技术及集成技术攻关等重大专项，大力推动包装装备智能化。智能包装设备是信息技术以及人工智能技术深度融合的机电设备，在运行过程中一个极小的故障如果得不到及时处理就可能破坏电机协同运行状态、造成停机，甚至损坏设备，给企业造成直接经济损失。因此，如何有效地对设备健康检测是保证包装设备正常运行的关键。数据监测是实现故障诊断的基础，而高速运动的包装动力装备面临噪声强、扰动大等复杂作业环境，不利用对设备状态进行检测。但是，由于包装设备动力甚多，设置有大量多种传感器对其进行监测。因此，如何将多传感器数据融合技术应用于智能包装装备健康检测是一种重要思路。

现有的研究当中，已经提出了各种多传感器融合的方法，比如的卡尔曼滤波方法、自适应加权方法、神经网络方法等传统方法以及深度学习技术。但是，上述方法分别存在无法解决多模态传感数据融合、没有考虑数据相关性、没有考虑数据间差异性过大的问题。

发明内容

本发明针对现有的多模态数据融合方法中，没有充分考虑数据间相关性、数据特征差异性大问题。提供一种自适应深度耦合卷积自编码多模态数据融合方法，在一定程度上解决了多模态传感数据融合难以及数据特征差异性大问题。

为实现上述目的，本发明采用以下技术方案：

S1、建立多模态数据融合检测框架；

S2、由S1中所述多模态数据融合检测框架内数据采集、预处理模块进行数据采集并对采集的数据进行预处理；

S3、设计深度耦合卷积自编码多模态数据融合模型，通过深度耦合卷积自编码多模态数据融合模型对S2中预处理后的数据进行融合；

S4、将S3中融合数据输入到Softmax网络模块进行包装设备健康检测，输入检测结果；

S5、通过灰狼优化算法(GWO)对多模态数据融合检测框架中关键参数不断优化，使得多模态数据融合检测框架达到最优效果。

进一步的，在步骤S1中多模态数据融合检测框架包括数据采集、预处理模块、深度耦合卷积自编码多模态数据融合模块、Softmax网络分类评估模块、GWO参数寻优模块五个模块。

进一步的，数据采集模块通过电流传感器、加速度传感器来获取电流、振动信号作为训练数据集、测试数据集。

进一步的，在步骤S2中数据预处理包括数据归一化流程，将原始的振动、电流数据进行归一化处理以消除量纲影响。

进一步的，将归一化后的包装设备振动、电流数据进行分段截取后，分段将1-D数据重组为2-D网格矩阵形式。