摘要：针对动态弯曲方法对时间序列数据相似性度量的质量和效率的局限性,本文提出一种基于分段聚合近似和数值导数的动态时间弯曲方法。该方法通过分段聚合近似将时间序列数据进行有效地降维,再结合数值导数对降维后的特征序列构建新特征序列,并且设计符合该特征序列相似性度量方法。实验结果分析表明,与传统动态弯曲方法相比,新方法具有较好的度量质量,能在时间序列数据挖掘中得到较好的分类效果,且在低维空间具有较高的分类效率,具有一定的优越性。

摘要：航空传感器故障检测在航空飞行任务中具有重要意义。然而传感器时序数据长度极长、时间跨度极广导致目前大多数方法检测性能较差。针对上述问题,提出基于时序二维化的航空传感器故障检测(time-series to 2D fault detection,T2D)方法。将信息熵应用到分段聚合近似算法中,充分保留时序特征的同时实现对数据的有效压缩;引入格拉姆角场将降维后的一维数据编码为二维图像,维持原始序列的长程依赖性;设计一种灵活的卷积映射模块并插入检测网络Vision Transformer的编码器中,提高模型的检测精度。实验结果表明,T2D模型在某民机试飞仿真时序数据集上,性能显著优于其他模型,验证了所提方法的有效性和优越性。

摘要：单体电池故障是导致铅酸电池组在运行过程中突发失效的主要原因,传统的识别方法需要依靠高精度的测试设备和复杂的电池机理模型,部署成本高、使用范围有限。考虑到故障电池和正常电池之间的等效电阻、等效电容等内部参数的差异,会由于浮充电流在时间尺度上通过电压凸显出来,文中设计了一种基于离群值检测的故障诊断方法,该方法采用时间序列聚类分析技术,对各个单体电池运行过程中产生的电压时间序列进行相似性分析,通过判断相异度较高离群值对故障电池进行定位。为了减小长跨度的时间序列造成的计算爆炸风险,采用分段聚合近似表示方法对时间序列进行降维处理,加快了计算速度。该方法可直接应用于微控制器,有较强的实用性。

摘要：为实现卷积神经网络(CNN)对滚动轴承微弱故障位置的辨识,首先在保留整体信息的情况下,使用分段聚合近似(PAA)对轴承信号降维压缩;其次引入了格拉姆角场(GAF)将降维压缩后的轴承一维时间序列转换成了二维图像;然后引入批量归一化层、小批量法(minibatch)等方法设计卷积神经网络;最后将训练样本图像输入卷积神经网络进行训练和验证。结果表明,格拉姆和/差角场图均可有效识别滚动轴承不同零件的故障,格拉姆差角场在准确度上较格拉姆和角场高,更适合用于微弱故障的识别。

摘要：针对轴承微小故障信号非平稳非线性且易受背景噪声干扰的特点,提出了一种基于格拉姆角场和多尺度卷积神经网络(Gramian angular field and multi-scale convolutional neural network,GAF-MCNN)的智能故障诊断方法。首先,利用分段聚合近似算法对原始振动信号进行压缩降维预处理,以减少数据存储空间和提升计算效率;然后,利用格拉姆角场算法将一维序列信号转换为二维矩阵热图,二维化后的矩阵加强了原始振动信号间的时间关系,将时间维度编码到了矩阵结构中;最后,设计了基于多尺度卷积神经网络对故障进行高效快速智能诊断。实验结果表明,GAF-MCNN诊断方法不仅克服了传统卷积神经网络诊断方法存在的计算效率较低的问题,而且诊断准确率优于单尺度卷积神经网络方法,具有较强的工程实用性。