基于虚拟样本生成技术的多组分机械信号建模

采用具有多组分、非平稳、非线性等特性的机械振动/振声信号构建数据驱动软测量模型,是目前工业界测量高能耗旋转机械设备内部难以检测过程参数的常用手段.针对机械信号产生机理的复杂性导致模型解释性弱,以及工业过程连续不间断运行和机械设备旋转封闭的特殊性导致获取完备训练样本的经济性差和周期性长等问题,本文提出一种基于虚拟样本生成(Virtual sample generation,VSG)技术的多组分机械信号建模方法.首先,将机械信号自适应分解为具有不同时间尺度的平稳子信号并变换为多尺度谱数据;接着,采用适合于小样本高维数据建模的改进选择性集成核偏最小二乘(Selective ensemble kern...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 44; no. 9; pp. 1569 - 1589
Main Authors 汤健, 乔俊飞, 柴天佑, 刘卓, 吴志伟
Format Journal Article
LanguageChinese
Published 计算智能与智能系统北京市重点实验室 北京 100124 01.09.2018
流程工业综合自动化国家重点实验室 沈阳 110004%北京工业大学信息学部 北京 100124
计算智能与智能系统北京市重点实验室 北京 100124%流程工业综合自动化国家重点实验室 沈阳 110004
北京工业大学信息学部 北京 100124
Subjects
多组分机械信号
高维谱数据
难以检测过程参数
虚拟样本生成
数据驱动建模
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.2017.c170204

Cover

Abstract 采用具有多组分、非平稳、非线性等特性的机械振动/振声信号构建数据驱动软测量模型,是目前工业界测量高能耗旋转机械设备内部难以检测过程参数的常用手段.针对机械信号产生机理的复杂性导致模型解释性弱,以及工业过程连续不间断运行和机械设备旋转封闭的特殊性导致获取完备训练样本的经济性差和周期性长等问题,本文提出一种基于虚拟样本生成(Virtual sample generation,VSG)技术的多组分机械信号建模方法.首先,将机械信号自适应分解为具有不同时间尺度的平稳子信号并变换为多尺度谱数据;接着,采用适合于小样本高维数据建模的改进选择性集成核偏最小二乘(Selective ensemble kernel partial least squares,SENKPLS)算法构建面向真实训练样本的基于可行性的规划(Feasibility-based programming,FBP)模型,提出一种综合先验知识和FBP模型等手段面向高维谱数据的VSG技术,用以弥补真实训练样本的短缺问题;然后,基于互信息(Mutual information,MI)对由真实和虚拟训练样本组成的混合建模数据进行自适应特征选择;最后,基于约简的混合训练样本采用SENKPLS构建软测量模型.以近红外谱数据和磨矿过程实验球磨机的筒体振动/振声信号验证所提VSG技术和面向多组分机械信号建模方法的合理性和有效性.
AbstractList 采用具有多组分、非平稳、非线性等特性的机械振动/振声信号构建数据驱动软测量模型,是目前工业界测量高能耗旋转机械设备内部难以检测过程参数的常用手段.针对机械信号产生机理的复杂性导致模型解释性弱,以及工业过程连续不间断运行和机械设备旋转封闭的特殊性导致获取完备训练样本的经济性差和周期性长等问题,本文提出一种基于虚拟样本生成(Virtual sample generation,VSG)技术的多组分机械信号建模方法.首先,将机械信号自适应分解为具有不同时间尺度的平稳子信号并变换为多尺度谱数据;接着,采用适合于小样本高维数据建模的改进选择性集成核偏最小二乘(Selective ensemble kernel partial least squares,SENKPLS)算法构建面向真实训练样本的基于可行性的规划(Feasibility-based programming,FBP)模型,提出一种综合先验知识和FBP模型等手段面向高维谱数据的VSG技术,用以弥补真实训练样本的短缺问题;然后,基于互信息(Mutual information,MI)对由真实和虚拟训练样本组成的混合建模数据进行自适应特征选择;最后,基于约简的混合训练样本采用SENKPLS构建软测量模型.以近红外谱数据和磨矿过程实验球磨机的筒体振动/振声信号验证所提VSG技术和面向多组分机械信号建模方法的合理性和有效性.
Author 乔俊飞
刘卓
吴志伟
汤健
柴天佑
AuthorAffiliation 北京工业大学信息学部 北京 100124;计算智能与智能系统北京市重点实验室 北京 100124;流程工业综合自动化国家重点实验室 沈阳 110004%北京工业大学信息学部 北京 100124;计算智能与智能系统北京市重点实验室 北京 100124%流程工业综合自动化国家重点实验室 沈阳 110004
AuthorAffiliation_xml – name: 北京工业大学信息学部 北京 100124;计算智能与智能系统北京市重点实验室 北京 100124;流程工业综合自动化国家重点实验室 沈阳 110004%北京工业大学信息学部 北京 100124;计算智能与智能系统北京市重点实验室 北京 100124%流程工业综合自动化国家重点实验室 沈阳 110004
Author_FL LIU Zhuo
TANG Jian
QIAO Jun-Fei
CHAI Tian-You
WU Zhi-Wei
Author_FL_xml – sequence: 1
  fullname: TANG Jian
– sequence: 2
  fullname: QIAO Jun-Fei
– sequence: 3
  fullname: CHAI Tian-You
– sequence: 4
  fullname: LIU Zhuo
– sequence: 5
  fullname: WU Zhi-Wei
Author_xml – sequence: 1
  fullname: 汤健
– sequence: 2
  fullname: 乔俊飞
– sequence: 3
  fullname: 柴天佑
– sequence: 4
  fullname: 刘卓
– sequence: 5
  fullname: 吴志伟
BookMark eNotjz1Lw0AYgG-oYK39Be5uie97l_souEjxCwouOpdccqcWScEgipNDkaJgHVwsgVhxcBB0K6SDf6a5-DMs6PRsz8OzQmpJPzGErCH4KJhiGz0_DFOfAko_QgkUghqpA-WBFyAXy6SZpqcaABFoC7FONsu8mBcPP89jd5-7l6nLPqqn3A0f3d2Nyz6r8aB8G1ezQTm8dVnhXr_m35NyNC1nhXufrJIlG56lpvnPBjna2T5s73mdg9399lbHSxGQeVxYYyNhLOdWq0goJqRlGGnJjQiokTHjsWTMaq1ZTBFViDRAi5QiVzZmDbL-570MExsmx91e_-I8WRS71_HJlV7cKmgBMPYLbK1hQQ
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.16383/j.aas.2017.c170204
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
Discipline Engineering
DocumentTitle_FL Modeling Multiple Components Mechanical Signals by Means of Virtual Sample Generation Technique
EndPage 1589
ExternalDocumentID zdhxb201809003
GrantInformation_xml – fundername: 国家自然科学基金; 流程工业综合自化国家重点实验室开放课题基金资助项目; 矿冶过程自动控制技术国家重点实验室矿冶过程自动控制技术北京市重点实验室
  funderid: (61573364,61703089); (PAL-N201504); (BGRIMM-KZSKL-2017-07)
GroupedDBID --K
-0Y
.~1
0R~
1B1
1~.
1~5
2B.
4.4
457
4A8
4G.
5GY
5VS
5XA
5XJ
7-5
71M
8P~
92H
92I
93N
AAIKJ
AALRI
AAQFI
AAXUO
ABJNI
ABWVN
ACGFS
ACRPL
ADEZE
ADNMO
ADTZH
AECPX
AEKER
AFTJW
AGHFR
AGYEJ
AITUG
ALMA_UNASSIGNED_HOLDINGS
BLXMC
CCEZO
CS3
CUBFJ
CW9
EBS
EJD
EO8
EO9
EP2
EP3
FDB
FEDTE
FNPLU
GBLVA
HVGLF
HZ~
IHE
J1W
JJJVA
M41
MO0
N9A
O-L
O9-
OAUVE
OZT
P-8
P-9
P2P
PC.
PSX
Q38
ROL
RPZ
SDF
SDG
SES
TCJ
TGT
U1G
U5S
ID FETCH-LOGICAL-s1013-56fefc6ef55fb8c68367f31cb75e642e7d35d733fbbb3d2118a1241f122158fd3
ISSN 0254-4156
IngestDate Thu May 29 04:10:30 EDT 2025
IsPeerReviewed true
IsScholarly true
Issue 9
Keywords 多组分机械信号
高维谱数据
难以检测过程参数
虚拟样本生成
数据驱动建模
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1013-56fefc6ef55fb8c68367f31cb75e642e7d35d733fbbb3d2118a1241f122158fd3
PageCount 21
ParticipantIDs wanfang_journals_zdhxb201809003
PublicationCentury 2000
PublicationDate 2018-09-01
PublicationDateYYYYMMDD 2018-09-01
PublicationDate_xml – month: 09
  year: 2018
  text: 2018-09-01
  day: 01
PublicationDecade 2010
PublicationTitle 自动化学报
PublicationTitle_FL Acta Automatica Sinica
PublicationYear 2018
Publisher 计算智能与智能系统北京市重点实验室 北京 100124
流程工业综合自动化国家重点实验室 沈阳 110004%北京工业大学信息学部 北京 100124
计算智能与智能系统北京市重点实验室 北京 100124%流程工业综合自动化国家重点实验室 沈阳 110004
北京工业大学信息学部 北京 100124
Publisher_xml – name: 计算智能与智能系统北京市重点实验室 北京 100124%流程工业综合自动化国家重点实验室 沈阳 110004
– name: 流程工业综合自动化国家重点实验室 沈阳 110004%北京工业大学信息学部 北京 100124
– name: 计算智能与智能系统北京市重点实验室 北京 100124
– name: 北京工业大学信息学部 北京 100124
SSID ssib001102911
ssib006576350
ssib051375349
ssib007293330
ssj0059721
ssib007290157
ssib023646446
ssib005904210
Score 2.442631
Snippet 采用具有多组分、非平稳、非线性等特性的机械振动/振声信号构建数据驱动软测量模型,是目前工业界测量高能耗旋转机械设备内部难以检测过程参数的常用手段.针对机械信号产生机...
SourceID wanfang
SourceType Aggregation Database
StartPage 1569
Title 基于虚拟样本生成技术的多组分机械信号建模
URI https://d.wanfangdata.com.cn/periodical/zdhxb201809003
Volume 44
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVESC
  databaseName: Baden-Württemberg Complete Freedom Collection (Elsevier)
  issn: 0254-4156
  databaseCode: GBLVA
  dateStart: 20110101
  customDbUrl:
  isFulltext: true
  dateEnd: 99991231
  titleUrlDefault: https://www.sciencedirect.com
  omitProxy: true
  ssIdentifier: ssj0059721
  providerName: Elsevier
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR09b9UwMCrtAgPiU3zTAU9VShzHdiyxOK95VAiYWtStyiedHhJtJdSJoUIVSMDAQlWpLWJgQIKt0uvAn-lL-RncOW6fq4fExxI59p3Pd-f4zo599rw7qs6zIC8yH0x37UdVVfmqjCs_qBhnQSZFTfG886PHYnY-erDAF8ZO7Ti7llZX8uli7bfnSv5Hq5AHesVTsv-g2eNKIQPSoF94gobh-Vc6JiknqksSTdIIn3FK0pgoRRTkCBInWAoJHZBEYkJ1iO6QVBIV2aIY4AOT0LjpwcJ0DQzkREhCR6ZCSZLE5gBWLCxwYmjpkCSBaUaXaGpguoYoRywLE0OR6w1ja2NJtDbwGgEw0SFKGLozRAvbNs2PugZmJBQbhbD0RAmQV8hb2w5ASxXRjKjURUaJHfGllYGdIYoOQQx_qm0LlDB3ZYTGx1u_2r6MPOjU8CwxoVpBK8MzsMewdqQRG_WMFoFYGcqolS9qpRWBtEpFhXGDHiI7IK_YYMErMItsANHUcKoRsc3R0dRoRVMYCqs9TG4Hf5i4-zi5di1VFDlfpHLMDsApx4WhvL2WacQ8wmDLjH3MMgxVT-V0QSUejx56A8d7NNfKpRd5aOK7mXC6EyHYzWDcm7ifPHyihy43eKjKsRFcgRlwXErBMeTh8F3ij3vnTzu8MzacwuJ9BsJZouCUwYQalwha74pjtCmzbmrlYyOJIWd3R_kyR_F6ddZ76niNc-e8s3a6N6nbb_e8N7a2dME74wQBvejdG2z3D_pvf37cbN5sNzt7zdbXww_bzcb75vXLZuvb4eb64PPm4f76YONVs9VvPn0_-LE7eLc32O83X3YvefPddK4z69s7TfxlihepcFFXdSGqmvM6jwsRMyFrRotc8kpEYSVLxkvJWJ3nOStDmP5n0C9oTUPwzeO6ZJe98d6zXnXFm2ShLMoCpjBZyCJRBnlUg3efc9wvXoaFuOrdtrwv2jFrefGkUq_9EeK6d3r4Zd3wxleer1Y3wQtfyW_ZjvALKFmjpw
linkProvider Elsevier
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E8%99%9A%E6%8B%9F%E6%A0%B7%E6%9C%AC%E7%94%9F%E6%88%90%E6%8A%80%E6%9C%AF%E7%9A%84%E5%A4%9A%E7%BB%84%E5%88%86%E6%9C%BA%E6%A2%B0%E4%BF%A1%E5%8F%B7%E5%BB%BA%E6%A8%A1&rft.jtitle=%E8%87%AA%E5%8A%A8%E5%8C%96%E5%AD%A6%E6%8A%A5&rft.au=%E6%B1%A4%E5%81%A5&rft.au=%E4%B9%94%E4%BF%8A%E9%A3%9E&rft.au=%E6%9F%B4%E5%A4%A9%E4%BD%91&rft.au=%E5%88%98%E5%8D%93&rft.date=2018-09-01&rft.pub=%E8%AE%A1%E7%AE%97%E6%99%BA%E8%83%BD%E4%B8%8E%E6%99%BA%E8%83%BD%E7%B3%BB%E7%BB%9F%E5%8C%97%E4%BA%AC%E5%B8%82%E9%87%8D%E7%82%B9%E5%AE%9E%E9%AA%8C%E5%AE%A4+%E5%8C%97%E4%BA%AC+100124&rft.issn=0254-4156&rft.volume=44&rft.issue=9&rft.spage=1569&rft.epage=1589&rft_id=info:doi/10.16383%2Fj.aas.2017.c170204&rft.externalDocID=zdhxb201809003
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fzdhxb%2Fzdhxb.jpg