(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利29號(72)發(fā)明人李金波金果華明壯王勤伍群芳吳曰清鄭祥明所(特殊普通合伙)32779(56)對比文件高斌.《基于希爾伯特-黃變換的航空發(fā)動機整機振動故障診斷》.《中國優(yōu)秀碩士學(xué)位論文全文數(shù)據(jù)庫》.2011,(第第S2期期),1-66.權(quán)利要求書6頁說明書15頁附圖1頁基于多源信息的航空變流器故障特征提取(57)摘要開了基于多源信息的航空變流器故障特征提取于檢測調(diào)制信號中的故障信息或脈沖型故障特障之間的復(fù)雜關(guān)系，實現(xiàn)對航空機載變流器故障21.基于多源信息的航空變流器故障特征提取方法，其特征在于，所述方法包括以下步時間特征提取的過程為：找出時間序列x(t)的所有局部極大值點和極小值點，通過三次樣條插值分別得到上包絡(luò)線emax(t)和下包絡(luò)線emin(t),計算上下包絡(luò)線的均值 重復(fù)分解步驟，依次得到IMF?(t),IMF?(t),…,IMF。(t)和殘余項r。(t),即為了更準(zhǔn)確地反映航空機載變流器多變量時間序列的故障影響的重要程度，為每個變量賦予權(quán)重w,Z=1W;=1;粗?；蛄衵;計算為對于粗粒化后的序列z;,計算其樣本熵；給定嵌入維數(shù)n和容限r(nóng),定義向量表示兩個向量Z和Z的切比雪夫距離，即d(z,zk)=max?=0,1,…;n-1|Zj+1-Zk+1|;定義C"(r)為滿足3 DTW距離;改進后的自相關(guān)函數(shù)對于兩個時間序列x(t)和y(t),傳統(tǒng)互相關(guān)函數(shù)Rxy(T)=(1),x(2),…,x(N-t)}和y?={y(t+1),y(T+2),…,y(N)},通過DTW算法找到最優(yōu)路徑P,計空間特征提取的過程為：構(gòu)建深度卷積神經(jīng)基于多物理場耦合與深度學(xué)習(xí)的方法，能深入提取航空機載障定位的準(zhǔn)確性和可靠性；4通過引入二次懲罰因子α和拉格朗日乘子λ(t),將約束變分問題轉(zhuǎn)化為無約束的增廣拉格朗日函數(shù)：采用交替方向乘子法選代求解女增廣拉格明頻譜特征提取的過程為：采用時頻原子分解旨在將信號分”,其共中凡，足歸一化瑞放具(0是。對于給定的信號x(t),通過匹配追蹤算法尋找最佳的時頻原子來逼近信號；具體過程對于每次迭代m計算殘差rm-1(t)與所有可能的時頻原子n,k;,?(t)的內(nèi)積更新殘差rm(t)=rm-1(t)-〈rm-1,φnmkmyTm/@m)·φnmukmTmum(t);Zm=1(rm-1,φnmkmuTngom>·nmkmyTm,om(t基于時頻原子分解結(jié)果，重新計算頻譜的頻率重心和帶寬等特征；傳統(tǒng)頻率重心公式引入基于時頻原子的帶寬計算方法；首先計算每個時頻原子的有效帶寬△①,可通過5空間分布數(shù)據(jù)采集過程為：在變流器的不同小波分解的過程為：對采集到的離散時間序列數(shù)據(jù)x(n),n=0,1,…,N-1進行離散小波變換，采用具有良好對稱性和正則性的Coiflet小波Coif3進行處理：第j層分解的近似系數(shù) 噪聲標(biāo)準(zhǔn)差估計的過程為：計算細(xì)節(jié)系數(shù)d,,k=0,1,…,21-1的噪聲標(biāo)準(zhǔn)差估計值0; 閾值確定的過程為：初始閾值λ。計算公式為：λo=?√2In(N小波重構(gòu)的過程為：利用處理后的細(xì)節(jié)系數(shù)d;k去噪后的信號x(n)公式為：4.根據(jù)權(quán)利要求1所述的基于多源信息的航空變流器故障特?fù)?jù)的均值;然后，計算信息熵H,公式為H=-∑i=1Pilog?pi),其中Pi=異常判定的過程為：為每個傳感器鄰域設(shè)定一個正常信息熵閾值范圍[Hin,Hma];6空間插值的過程為：對于變流器空間中任意一點P(x,y,z),其物理量u(P)的估計值希爾伯特變換求包絡(luò)的過程為：對每個IMF(t)進行希爾伯特變換，得到7包絡(luò)峰值因數(shù),包絡(luò)峰值因數(shù)用于評估包絡(luò)中峰值與均值的相對大構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)的過程為：網(wǎng)絡(luò)結(jié)構(gòu)包括多個卷積層，池化層和全連接層；卷積層：在卷積層中，使用不同大小的卷積核W對輸入特征矩陣進行卷積操作；對于輸入特征矩陣X,卷積層輸出特征圖Y的元素yi,j,k計算公式為yi,j,k=∑m,n,1Wm,n,夠自動提取特征矩陣中的局部特征模式，不同IMF包絡(luò)特征參數(shù)之間的組合關(guān)系；池化層：采用最大池化方法對卷積層輸出的特征圖進行降維；在大小為s×s的池化窗口內(nèi)，輸出特征圖的索引；此處池化層在不丟失關(guān)鍵特征的前提下，減少數(shù)據(jù)量，降低計算復(fù)雜度，同時增強模型對輸入的平移不變性；全連接層：將經(jīng)過池化層處理后的特征圖展平，并連接到全連接層；全連接層的輸出通過權(quán)重矩陣W和偏置b進行線性變換，再經(jīng)過Softmax函數(shù)得到最終的故障診斷結(jié)果；對于輸入向量V,全連接層的輸出p為p=Softmax(WV+b),其中Softmax函數(shù)將輸出值映射到[0,1]區(qū)間，且所有輸出值之和為1,每個輸出值表示對應(yīng)故障類別的概率；模型訓(xùn)練與優(yōu)化的過程為：使用帶有故障標(biāo)簽的航空機載變流器信號包絡(luò)特征數(shù)據(jù)對DCNN進行訓(xùn)練；在訓(xùn)練過程中，通過交叉熵?fù)p失函數(shù)L=-Z=1Zy=1yijlog(pij)來更新是模型預(yù)測樣本i屬于類別j的概率；同時，采用隨機梯度下降來加速模型收斂，提高訓(xùn)練效8基于多源信息的航空變流器故障特征提取及診斷方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及航空設(shè)備故障檢測技術(shù)領(lǐng)域，更具體地說，它涉及基于多源信息的航空變流器故障特征提取及診斷方法。背景技術(shù)[0002]傳統(tǒng)的航空機載變流器故障檢測方法主要依賴于單一的信號分析手段，如僅對電壓、電流等電信號進行時域分析，或者僅關(guān)注設(shè)備的溫度變化。這些方法無法全面、準(zhǔn)確地提取故障特征量。一方面，單一信號分析容易受到噪聲干擾，導(dǎo)致故障特征被掩蓋；另一方面，無法充分利用設(shè)備運行過程中的多維度信息，對于一些復(fù)雜故障和早期故障的檢測能力不足。例如，當(dāng)變流器內(nèi)部出現(xiàn)輕微的局部過熱故障時，僅通過電信號的時域分析很難及時發(fā)現(xiàn)，而溫度傳感器的單點測量又無法準(zhǔn)確反映故障的空間分布情況。[0003]由此，本發(fā)明提供了基于多源信息的航空變流器故障特征提取及診斷方法，改善了上述技術(shù)問題。發(fā)明內(nèi)容[0004]本公開實施例旨在針對現(xiàn)有技術(shù)的不足，提供基于多源信息的航空變流器故障特征提取及診斷方法，本發(fā)明采用多源信息融合技術(shù)整合來自不同類型傳感器、不同特征域的信息，充分挖掘設(shè)備運行狀態(tài)的多維度信息，從而提高故障檢測的準(zhǔn)確性和可靠性。[0005]本發(fā)明的上述技術(shù)目的是通過以下技術(shù)方案得以實現(xiàn)的：基于多源信息的航空變流器故障特征提取及診斷方法，包括如下步驟：[0006]S1、分別對時間序列數(shù)據(jù)和空間分布數(shù)據(jù)進行采集和預(yù)處理；[0007]S2、對預(yù)處理后的數(shù)據(jù)分別進行時間特征提取、空間特征提取和頻譜獲取及特征[0008]作為本發(fā)明的一種優(yōu)選技術(shù)方案，時間序列數(shù)據(jù)采集過程為：通過安裝在航空機載變流器關(guān)鍵部位的傳感器，連續(xù)采集變流器在運行過程中的電氣參數(shù)和環(huán)境參數(shù)的數(shù)據(jù)[0009]空間分布數(shù)據(jù)采集過程為：在變流器的不同物理位置布置多個傳感器，以獲取變流器內(nèi)部不同空間區(qū)域的信息數(shù)據(jù)；將這些空間分布的傳感器數(shù)據(jù)按照變流器的物理結(jié)構(gòu)和電路拓?fù)溥M行組織和編號，建立數(shù)據(jù)與空間位置的對應(yīng)關(guān)系，形成空間維度的數(shù)據(jù)集合。[0010]作為本發(fā)明的一種優(yōu)選技術(shù)方案，時間序列數(shù)據(jù)預(yù)處理的步驟包括：小波分解、噪[0012]作為本發(fā)明的一種優(yōu)選技術(shù)方案，小波分解的過程為：對采集到的離散時間序列Coiflet小波Coif3進行處理：第j層分解的近似系數(shù)Cj,k計算公式為：9,其中，,hj.k(n)是與所選小波基對應(yīng)的低通濾波器系數(shù)，h(n)為其共軛；第j層分解的細(xì)節(jié)系數(shù)dj,k計算公式 為,其中,9j,k(n)是與所選小 [0013]噪聲標(biāo)準(zhǔn)差估計的過程為：計算細(xì)節(jié)系數(shù)d1,k(k=0,1,…,21-1)[0016]閾值處理的過程為：設(shè)Y為混合參數(shù)(0<γ<1),處理后的細(xì)節(jié)系數(shù)dj,k為：當(dāng)[0017]其中，軟閾值部分γ[sgn(dj,k)(|d;,k|-λ)]能平滑噪聲，硬閾值部分[0020]異常判定的過程為：為每個傳感器鄰域設(shè)定一個正常信息熵閾值范圍[Hmin,Hmax];收集變流器連續(xù)正常運行一段時間的所有傳感器鄰域信息熵數(shù)據(jù)，計算其均值μ和標(biāo)準(zhǔn)差σ,設(shè)定Hmin=μ-k?σ,Hmax=μ+k?可根據(jù)實際情況調(diào)整，如k?=k?=1.5;當(dāng)某一傳感器鄰域的信息熵H超出此閾值范圍[0021]空間插值的過程為：對于變流器空間中任意一點P(x,y,z),其物理量u(P)計值?(P)通過以下公式計算：,其中u(xi,yi,Zi)是已知傳求解以下方程組得到：{m=12;r(x;,x;)+μ=γ(xi,P)i=1,…,,這所有局部極大值點和極小值點，通過三次樣條插值emin(t),計算上下包絡(luò)線的均值,將原始序列減去均值得到作為新的序列重復(fù)上述過程，直到得到滿足條件的IMF?(t);然后，從原始序列中減去數(shù)對故障影響的重要程度，為每個變量賦予權(quán)重1;粗?；蛄衃0024]對于粗?；蟮男蛄衂j,計算其樣本熵；給定嵌入維數(shù)n和容限r(nóng),定義向量z"={Zj,Zj+1·…,Zj+n-1},j=1,2,…,;令表示兩個向量和Z的切比雪夫距離，即;定義C"(r)為滿類似地，計算n+1維向量的Cn+1(r);樣本熵025】對于時間序列x(t),其自相關(guān)函數(shù),其中x是序列x(t)的均值；x?={x(1),x(2),…,x(N-T)}和x?={x(T+1),x(T+2),…,x(N)};DTW算法通過尋找一條路徑P=(p?,P?,…,PL),其中pi=(i,ji),使得X?和X?之間的距離最小化；路徑P的約束條件為i?=1,j?=1,iz=N-t,jL=N,且i+1≥i,jl+1≥j;距離子序列X?={x(1),x(2),…,x(N-t)}和y?={y(T+1),y(t+2),…,y(N)},通過DTW算法找到最優(yōu)路徑P,計算DTW距離DTW(x?,y?);改進后的互相關(guān)函數(shù)9i,j,k=∑m,n,1Wm,n,ifi+m-1,j+n-1,k+l-1+b,其中Wm,n,I是卷積核元素，b是偏置，位；希爾伯特變換H[uk(t)],將其與Uk(t)構(gòu)成解析信號uk(t)+jH[uk(t)],通過指數(shù)項 變分問題為,約束條件為;采用交替[0037]對于給定的信號x(t),通過匹配追蹤算法尋找最佳的時頻原子來逼近信號；具體過程如下：[0039]對于每次迭代m計算殘差rm-1(t)與所有可能的時頻原子φn,k,(t)的內(nèi)積[0040]更新殘差Tm(t)=rm-1(t)-(rm-1,9nmkmuTm.①m>9nmkmTm.m(t);x(t)≈ZM=1(rm-1,4nm,km,Tn,0m>·φnm,km,Tm,wm(公式為,在時頻原子分解框架下，考慮每個時頻原子對頻率重心的貢通過時頻原子的頻率支撐范圍或相關(guān)能量分布來確定；然后，帶寬B計算為局部極大值點和極小值點，通過三次樣條插值分別得到上包絡(luò)線emax(t)和下包絡(luò)線emin(t),計算上下包絡(luò)線的均值1,將原始信號減去均值得到得到IMF?(t),IMF?(t),…,IMFn(t)和殘[0046]希爾伯特變換求包絡(luò)的過程為：對每個IMFi(t)進行希爾伯特變換，得到Zi(t)=IMFi(t)+jyi(t),其幅值即為IMF的瞬時幅Yi,j,k=∑m,n,IWm,n,lXi+m-1,j+n-1,k+l-1+b,其中Wm,n,l是卷積核元素，b是偏置，將輸出值映射到[0,1]區(qū)間，且所有輸出值之和為1,每個輸出值表示對應(yīng)故障類別的概率；[0054]模型訓(xùn)練與優(yōu)化的過程為：使用帶有故障標(biāo)簽的航空機載變流器信號包絡(luò)特征數(shù)更新網(wǎng)絡(luò)的權(quán)重參數(shù)，其中N是樣本數(shù)量，C是故障類別數(shù)，Yij是樣本i屬于類別j的真實標(biāo)簽，Pij是模型預(yù)測樣本i屬于類別j的概率；同時，采用隨機梯度下降來加速模型收斂，提高訓(xùn)練效率。[0056]其一、通過傳感器分別采集時間序列數(shù)據(jù)和空間分布數(shù)據(jù)，形成時間維度數(shù)據(jù)集和空間維度的數(shù)據(jù)集，對兩個維度的數(shù)據(jù)集分別進行預(yù)處理，提高數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性。[0057]其二、通過時間特征提取能夠更深入，準(zhǔn)確地提取航空機載變流器時間序列的特征。通過空間特征提取能深入提取航空機載變流器空間特征，提高故障定位的準(zhǔn)確性和可靠性。通過頻譜獲取及特征提取，確定信號的頻率成分和能量分布情況。基于上述時-空-譜特征提取，實現(xiàn)多源信息的融合，能夠整合來自不同類型傳感器、不同特征域的信息，充分挖掘設(shè)備運行狀態(tài)的多維度信息，從而提高故障檢測的準(zhǔn)確性和可靠性。[0058]其三、先通過對信號進行包絡(luò)檢測，獲取信號幅值變化的包絡(luò)線，分析包絡(luò)的特征參數(shù)用于檢測調(diào)制信號中的故障信息或脈沖型故障特征；再基于深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)包絡(luò)特征與故障之間的復(fù)雜關(guān)系，實現(xiàn)對航空機載變流器故障的診斷。附圖說明[0059]圖1為本發(fā)明實施例提供的基于多源信息的航空變流器故障特征提取的流程圖。[0060]圖2為本發(fā)明實施例提供的基于多源信息的航空變流器故障診斷方法的流程圖。具體實施方式[0061]下面結(jié)合具體實施例對本申請進行詳細(xì)說明。以下實施例將有助于本領(lǐng)域的技術(shù)人員進一步理解本申請，但不以任何形式限制本申請。應(yīng)當(dāng)指出的是，對本領(lǐng)域的普通技術(shù)人員來說，在不脫離本申請構(gòu)思的前提下，還可以做出若干變形和改進。這些都屬于本申請的保護范圍。[0062]為了使本申請的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本申請進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本申請，并不用于限定本申請。[0063]需要說明的是，如果不沖突，本申請實施例中的各個特征可以相互結(jié)合，均在本申請的保護范圍之內(nèi)。另外，雖然在裝置示意圖中進行了功能模塊劃分，在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于裝置中的模塊劃分，或流程圖中的順序執(zhí)行所示序進行限定，僅是對功能和作用基本相同的相同項或相似項進行區(qū)分。[0064]除非另有定義，本說明書所使用的所有的技術(shù)和科學(xué)術(shù)語與屬于本申請的技術(shù)領(lǐng)域的技術(shù)人員通常理解的含義相同。本說明書中在本申請的說明書中所使用的術(shù)語只是為一個或多個相關(guān)的所列項目的任意的和所有的組合。[0065]此外，下面所描述的本申請各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。[0066]本公開實施例旨在解決傳統(tǒng)的航空機載變流器故障檢測方法依賴于單一的信號分析方法，無法全面、準(zhǔn)確地提取故障特征量的問題。有鑒于此，本公開實施例提出了基于多源信息的航空變流器故障特征提取及診斷方法，通過多源信息融合能夠整合來自不同類型傳感器、不同特征域的信息，充分挖掘設(shè)備運行狀態(tài)的多維度信息，從而提高故障檢測的準(zhǔn)確性和可靠性。[0067]請參考圖1,圖1示出了本公開實施例所述基于多源信息的航空變流器故障特征提取及診斷方法的流程圖。整體流程主要包括以下5個步驟：[0068]步驟1:時間序列數(shù)據(jù)采集及預(yù)處理。[0069]具體的，通過安裝在航空機載變流器關(guān)鍵部位的傳感器，連續(xù)采集變流器在運行過程中的電氣參數(shù)和環(huán)境參數(shù)的數(shù)據(jù)序列，形成時間維度的數(shù)據(jù)集。[0070]對采集到的時間序列數(shù)據(jù)進行去噪處理，采用濾波算法去除高頻噪聲和測量誤[0071]實施例一、時間序列數(shù)據(jù)采集及預(yù)處理的步驟包括：S1.1小波分解、S1.2噪聲標(biāo)準(zhǔn)[0072]S1.1、對采集到的離散時間序列數(shù)據(jù)x(n)(n=0,1,…,N-1),其中N為數(shù)據(jù)長度，進行離散小波變換，采用具有良好對稱性和正則性的Coiflet小波Coif3進行處理。 [0073]第j層分解的近似系數(shù)Cj,k計算公式為：,其中，,hj,k(n)是與所選小波基對應(yīng)的低通濾波器系數(shù)，hi(n)為其共軛。這一步是對信號進行濾波，提取信號的低頻成分，反映信號的大致趨勢。在航空變流器的電流數(shù)據(jù)中，低頻成分通常代表了變流器正常運行時的基本電流水平。 [0074]第j層分解的細(xì)節(jié)系數(shù)dj,k計算公式為：,其中),9j.k(n)是與所選小波基對應(yīng)的高通濾波器系數(shù)，9j,k(n)為其共軛。這一步是提取信號的高頻成分，高頻噪聲集中在這些細(xì)節(jié)系數(shù)中，比如航空變流器受到的電磁干擾等高頻噪聲就體現(xiàn)在細(xì)節(jié)系數(shù)里。[0075]S1.2、計算細(xì)節(jié)系數(shù)d1,k(k=0,1,…,21-1)的噪聲標(biāo)準(zhǔn)差估計值?。采用基于這種基于中值的估計方法比傳統(tǒng)的基于均值的估計方法更具魯棒性，能更準(zhǔn)確地估計噪聲強度。[0076]S1.3、考慮到航空機載變流器運行狀態(tài)的動態(tài)變化，結(jié)合變流器溫度變化率△T(t)等因素來調(diào)整閾值，采用的閾值確定方法為：[0078]動態(tài)調(diào)整因子,其中，β1是權(quán)重系數(shù)，△T(t)是溫度變化[0079]最終閾值λ為：λ=αλo。通過上述步驟，閾值λ能根據(jù)變流器的實際運行狀態(tài)自適應(yīng)調(diào)整，在噪聲強度變化或變流器工況改變時，更有效地去除噪聲。[0080]S1.4、采用一種改進的軟硬閾值結(jié)合方法。設(shè)Y為混合參數(shù)(0<γ的細(xì)節(jié)系數(shù)dj,k為：[0082]這里軟閾值部分γ[sgn(d;k)(|ld;k|-λ)]能平滑噪聲，硬閾值部分(1-y)d;,k能保留信號的尖銳特征。[0084]S1.5、利用處理后的細(xì)節(jié)系數(shù)dj,k和近似系數(shù)Cj,k進行小波逆變換，重構(gòu)去噪后的的最大層數(shù)。通過小波逆變換，將去噪后的高頻和低頻成分重新組合，得到去噪后的信號，提高了數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性，為后續(xù)的故障檢測提供可靠的數(shù)據(jù)基礎(chǔ)。[0085]步驟2:空間分布數(shù)據(jù)采集與預(yù)處理。[0086]具體的，在變流器的不同物理位置布置多個傳感器，以獲取變流器內(nèi)部不同空間區(qū)域的信息。在功率模塊、散熱片、控制電路板等位置設(shè)置溫度傳感器，以監(jiān)測溫度的空間分布情況；在輸入輸出端及關(guān)鍵電路節(jié)點設(shè)置電壓、電流傳感器，獲取電氣參數(shù)的空間分布信息。將這些空間分布的傳感器數(shù)據(jù)按照變流器的物理結(jié)構(gòu)和電路拓?fù)溥M行組織和編號，建立數(shù)據(jù)與空間位置的對應(yīng)關(guān)系，形成空間維度的數(shù)據(jù)集合。[0087]實施例二、空間分布數(shù)據(jù)采集與預(yù)處理的步驟包括：S2.1信息熵計算、S2.2異常判[0088]S2.1、對于每個傳感器采集的數(shù)據(jù)，考慮其空間鄰域的信息熵。假設(shè)在變流器空間中，以某一傳感器為中心，定義其鄰域為包含該傳感器及其周圍直接相鄰的傳感器集合。設(shè)該鄰域內(nèi)有n個傳感器，對于第個傳感器在某一時刻采集到的數(shù)據(jù)Xi。H=-∑=1Pilog?(pi),其中。信息熵反映了鄰域內(nèi)數(shù)據(jù)的不確定性或熱片的某個區(qū)域，如果溫度傳感器測量值差異大，說明該區(qū)域散熱可能存在異常，此時信息熵會相對較高。[0090]S2.2、為每個傳感器鄰域設(shè)定一個正常信息熵閾值范圍[Hmin,Hmax]。這個閾值范圍通過對變流器在正常運行狀態(tài)下，大量的空間鄰域信息熵數(shù)據(jù)進行統(tǒng)計分析得到。收IMF?(t),IMF?(t),…,IMFn(t)和殘余項rn(t),即x(t)=Z=1IMF?(t)+rn(t)。項則更多地包含了與漸進性故障相關(guān)的趨勢信[0101]通過分析時間序列的自相關(guān)函數(shù)和互相關(guān)函數(shù)[0103]對于粗?；蟮男蛄衂j,計算其樣本熵。給定嵌入維數(shù)n和容限r(nóng),定義向量表示兩個向量類似地，計算n+1維向量的Cn+1(r)。樣本熵[0104]對于時間序列x(t),其自相關(guān)函數(shù),其中x是序列x(t)的均值。析的準(zhǔn)確性。決這一問題。對于時間序列x(t),在計算自相關(guān)時，考慮不同延遲T下的子序列x?={x(1),x(2),…,x(N-t)}和x?={x(T+1),x(T+2),…,x(N)}。DTW算法通過尋找一條路徑P=(p?,P?,…,PL),其中pi=(i,j),使得X1和X?之間的距離最小化。路徑P的約束條件為i?=1,j?=1,iz=N-t,j=N,且iz+1≥i,jl+1≥j?。距離子序列X?={x(1),x(2),…,x(N-T)}和y?={y(T+1),y(T+2),…,y(N)},通過DTW算法找到最優(yōu)路徑P,計算DTW距離DTW(x?,y?)。改進后的互相關(guān)函數(shù)元素hi,j.k=maxm,n9ixs+m,jxs+n,k.,降低數(shù)據(jù)維度同時保留關(guān)鍵特征。[0114]全連接層：將池化后的特征圖展平，通過權(quán)重矩陣Wf和偏置bf進行線性變換，再[0117]對采集到的時間序列數(shù)據(jù)(特別是電流和電壓信號)進行短時傅里葉(STFT)變[0119]變分模態(tài)分解(VMD)是一種自適應(yīng)的信號分解方法，旨在將復(fù)雜信號分解為一系列具有不同中心頻率的固有模態(tài)函數(shù)(IMF)。對于給定的輸入信[0120]定義每個模態(tài)函數(shù)uk(t)的希爾伯特變換H[uk(t)]uk(t)+jH[uk(t)],通過指數(shù)項e