[发明专利]一种基于传感器、结构部件的多维数据集构建方法及系统

说明书

本发明公开了一种基于传感器、结构部件的多维数据集构建方法及系统，包括：对初始数据信号进行预处理，得到对应的若干个第一本征模态函数分量；其中，初始数据信号是由结构部件上的传感器采集到的；分析计算各第一本征模态函数分量在初始数据信号中的占比程度，并根据占比程度，从所有第一本征模态函数分量中，选取多个第一本征模态函数分量，作为初始数据信号对应的多个第二本征模态函数分量；根据初始数据信号和对应的所有第二本征模态函数分量，构建传感器对应的多维数据集；其中，多维数据集用于训练结构部件损伤识别模型。本发明通过占比程度分析，对本征模态函数分量进行择优筛选，以保留初始数据信号的特征信息，提升训练后模型的性能。

技术领域

本发明涉及多维度数据集的构建领域，尤其涉及一种基于传感器、结构部件的多维数据集构建方法及系统。

背景技术

在利用深度学习技术进行结构损伤识别、机械部件故障诊断时，如卷积神经网络(Convolutional Neural Network，CNN)，多种情况下需要将采集的振动数据转化为深度学习模型可处理、学习的有效训练数据形式——图像格式，或者是其他神经网络可处理的多维文本数据格式。而现实应用中，在结构上布置的传感器数量不多，很多时候都采集不到足量的训练数据，且采集的结构振动数据主要以一维形式呈现，无法满足网络模型的训练数据维度需求。因此，基于采集到的少量的一维形式振动数据，构造有效、包含结构损伤/故障信息丰富的多维训练数据集极为重要。

目前，利用结构或部件采集到的振动数据构造数据集的方法，主要以时间方法为主，即对采集的多传感器一维振动数据进行并行排列，然后再根据时程信息对其进行截断、拼接，逐步构造出适合于深度学习模型处理的二维数据。然而，这种依靠时间方法构造的数据集的维度会受结构或部件上的传感器数量限制，有时候为了适应新的网络架构而对原始数据进行过度截断和拼接处理，最终得到的数据集却丢弃结构或部件振动信号的部分信息，使得包含的结构振动信号的本征信息不明显，造成结构或部件损伤信息的进一步缺失，不利于CNN处理结构损伤、部件故障诊断信息。

发明内容

本发明提供了一种基于传感器、结构部件的多维数据集构建方法及系统，在扩展数据集维度的基础上，保留初始数据信号的特征信息，进而提升训练后的结构部件损伤识别模型的性能。

为了解决上述技术问题，本发明实施例提供了一种基于传感器的多维数据集构建方法，包括：

对初始数据信号进行预处理，得到所述初始数据信号对应的若干个第一本征模态函数分量；其中，所述初始数据信号是由结构部件上的传感器采集得到的；

按照预设的算法，分析计算各所述第一本征模态函数分量在对应的所述初始数据信号中的占比程度，并根据所述占比程度，从所有所述第一本征模态函数分量中，选取多个所述第一本征模态函数分量，作为所述初始数据信号对应的多个第二本征模态函数分量；

根据所述初始数据信号和对应的所有所述第二本征模态函数分量，构建所述传感器对应的多维数据集；其中，所述多维数据集用于训练结构部件损伤识别模型。

实施本申请实施例，通过占比程度分析，对初始数据信号所对应的若干个第一本征模态函数分量进行择优筛选，以提取与初始数据信号相关程度较高的关键分量，并利用初始数据信号和提取到的关键分量，构建用于训练结构部件损伤识别模型的多维数据集，保留初始数据信号中的关键信息，并避免非关键分量对多维数据集对模型训练效果的影响，进而提升训练后的结构部件损伤识别模型的性能。

作为优选方案，所述按照预设的算法，分析计算各所述第一本征模态函数分量在对应的所述初始数据信号中的占比程度，并根据所述占比程度，从所有所述第一本征模态函数分量中，选取多个所述第一本征模态函数分量，作为所述初始数据信号对应的第二本征模态函数分量，具体为：

在所述结构部件处于若干种结构部件损伤情况下，获取各所述第一本征模态函数分量对应的多个第三本征模态函数分量，并计算所有所述第三本征模态函数分量的方差贡献值；