52phm简介
专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中，欢迎大家给予建议和参与社区建设
联系我们
投稿说明
52phm，专注于预测性维护知识学习和交流，欢迎广大从事预测性维护行业人员投稿，投稿请联系管理员(wx: www52phmcn)，投稿内容可以是：
- 学习笔记
- 技术理论
- 工程案例
- 行业资讯
加入我们
深度学习对振动类光谱信息的处理论文笔记
光谱原始数据通常存在伪影，噪声等问题，而预处理步骤可能对准确率造成影响，同时对不同数据的适应性差，神经网络能提供端到端的方法（或者省去某个预处理步骤），因而具有一定前景。数据驱动的深度学习技术可以发现大数据集中复杂的结构，并从数据中提取关键特征。
一.综述
- 文章：Deep learning for vibrational spectral analysis: Recent progress and a practical guide（2019） - 自2017年提出，将深度学习应用于光谱处理这一领域，迄今有十七篇文章发表（12定量，5定性）。本文的目的为：
1.总结光谱分析中常用方法的挑战；
2.回顾了深度学习的发展及其在光谱分析中的优势和局限性
3.提供了一个关于深度学习分析工作流的技巧和技术的实用指南。
1.挑战
- 数据预处理：拓展性差，且不同的任务可能适合不同的组合与顺序，需要大量尝试。- 特征选择：特征量大，降维（比如PCA）可能需要先验知识，可能造成数据缺失，过拟合等现象。- 定量分析与定性分析的多元方法：来源不同的数据可能存在不同的问题，模型在不同处理任务上表现存在差异。 多变量校准方法发现很难对来自不同来源的数据集提供稳健的预测，极大程度依赖训练集数据。 鉴于对现场检测和决策的需求日益增加，需要开发一种集成的分析方法，旨在从原始光谱中学习模式，并提高模型的准确性和鲁棒性。
2.常用于谱分析的神经网络
(A)人工神经网络。 (B)卷积神经网络。 ©自动编码器网络。
常用频率：B>C>A
- 优势：
1.精度高。
2.能妥善处理线性或非线性结构的数据。
3.它不受预处理过程的影响，可以从原始光谱中学习关键模式（效果通常大幅优于其它方法）。减少预处理和特征选择的烦恼，极大避免过拟合。
4.深度神经网络的先进体系结构和正则化技术有效地降低了过拟合的风险。
5.大量数据能极大提高网络性能。 - 局限性：
1.可解释性
2.少量数据影响网络的性能 - 设计方法：
文章后半部分就是对深度学习的介绍了，意义不大，在此省略。
二.一些具体设计（针对光谱处理任务设计网络）
1.DeepCID
- 文章： Deep learning-based component identification forthe Raman spectra of mixtures（2019）- 期刊：Analyst- 任务：预测混合物中成分- 数据集：
1> 167个纯化合物拉曼光谱（均为制药工业常见原料）
2> 6个混合物样本，采用与数据集1相同的器材与方法进行测量
3> 94种甲醇，乙腈，蒸馏水三元混合物光谱- 数据增强：混合1>种的化合物，针对每种化合物产生20000个模拟混合光谱用于训练。正谱（有此化合物），负谱（没有）各一半，此化合物与其它干扰化合物比例均随机产生。15000训练集，2500验证集，2500测试集。每个化合物的数据集在每个拉曼位移时归一化为零均值与标准方差。- 网络结构
这个网络蛮麻烦的一点是每个化合物训练了一个模型，有点繁复，如果能一个模型解决所有化合物是更好的。- 对比结果
间歇性比不过LR，不过都是99%了确实不好优化。
2.LeNet变体
- 文章：Deep convolutional neural networks for Ramanspectrum recognition: a unified solution(2017) - 期刊：Analyst - 任务：识别物质（矿物样本）；CNN对基线矫正鲁棒性 - 数据集：RRUFF数据集，1671种矿物，共5168个光谱（每种1-40个不等）；512种未校正矿物；Unipr-mineral数据集，107种矿物共163个光谱 - 数据增强：
1>左右随机移动几个波谱
2>添加随机噪声，与每个波数大小成正比
3>具有多个光谱的物质，采用线性组合构成，随机了含量占比参数 - 任务二中的测试矫正方法:
modified polynomial fitting, rubber band, robust local regression estimation, iterative restricted least squares, asymmetric least square smoothing, rolling ball. - 网络结构
- 结果：
任务一：
红色为测试的样本，将神经网络概率最大的三个预测结果列出，绿色为预测正确结果。（波动指每一类矿物的光谱自己存在波动，这张图应该是从数据集画出来的，不是网络直接输出光谱）
可以看到CNN的效果最好 任务二：
可见是否矫正基线对神经网络的影响远小于其它方法，甚至原始数据在神经网络上能获得更好的效果。
3.DeepSpectra
- 文章：DeepSpectra: An end-to-end deep learning approach for quantitative spectral analysis(2019)- 期刊：Analytica Chimica Acta- 任务：玉米，小麦，平板电脑，土壤(与三个卷积网络与)- 数据集：
- 评价指标：
均方误差与
用于评价模型性能
变异系数 CV评价模型可重复性
- 网络结构：
在熟悉的卷积池化全连接之外添加了Inception结构(二层三层中的并行卷积块)。- 结果：
不同预处理：
不同传统方法：
不同网络方法：
版权声明：遵循 CC 4.0 BY-SA 版权协议原文链接：https://blog.csdn.net/full_adder/article/details/115128288
[推荐] 基于深度学习的滚动轴承故障诊断
2021-12-10 18:15:00
互联网
1175
分类：算法开发
专栏：故障诊断
[推荐] 光谱信息在癌症检测上的应用
2021-12-14 15:50:53
互联网
814
分类：算法开发
专栏：数字信号处理
[推荐] 拉曼光谱笔记
2021-12-14 15:51:03
互联网
499
分类：算法开发
专栏：数字信号处理
转发此文章到社区关注公众号进群
让志同道合读者学习交流
python机器学习与特征工程理论与代码实现
通过python编程语言实现特征工程功能，本篇特征工程文章较为全面的介绍数据预处理，缺失值处理方法、异常值处理方法、数据无量纲、标准化、归一化，另外还介绍特征选择、特征降维等特征工程知识
2021-12-04 12:12:30
博客笔记
4526
分类：算法开发
专栏：特征工程
旋转机械振动物理力学特性
机械振动4.1 简谐振动4.1.1 简谐振动的动力学特性4.1.2 单摆4.2 简谐振动的运动学4.2.1 简谐运动的运动学方程4.2.2描述简谐振动的三个重要的特征向量1 振幅2 周期3 相位和初相位4.2.3 简谐振动的矢量表示法4.3 简谐振动的能量4.4 简谐振动的合成4.4.1 同方向、同频率简谐振动的合成4.4.2 两个同方向、不同频率简谐振动的合成4.4.3 两个相互垂直、相同频率的简谐振动的合成（没整理）4.4.4 两个相互垂直、不同频率的简谐振动的合成（没整理）4.4.5 振动的频谱分析4
2021-12-10 17:18:58
互联网
903
分类：算法开发
专栏：故障诊断
阅读论文：电网的故障检测
摘要存在的基于模型的方法无法涵盖时间序列的所有方面先进测量技术的出现带动着新一轮的数据爆炸，推动着数据导向形方法的发展方法包含：运用注意机制的长短期记忆架构，来提取时间序列特征 一维卷积神经网络获取频率信息基于频率的非监督分类信号方法，对于不同的分类，使用多任务学习方法本文提出的技术特别先进，甚至胜过数据网站的冠军术语索引：异常检测，故障检测，卷积神经网络，长短期记忆，多任务学习，高维时间序列1.介绍电网系统升级，把网络和传感技术相...
2021-12-13 13:36:07
互联网
1663
分类：论文速递
专栏：未分组
数字信号处理期末总复习
DSP期末总复习基于教材：《数字信号处理——原理、实现及应用（第3版）》 高西全等 编著一、基本概念1.1 信号1.2 系统1.3 卷积1.4 差分方程二、傅里叶变换2.1 连续信号：CTFT和CTFS2.2 时域离散信号：DTFT和DTFS2.3 周期信号的傅里叶变换2.4 离散傅里叶变换（DFT）2.5 快速傅里叶变换（FFT）三、Z变换3.1 Z变换3.2 Z变换的性质3.3 逆Z变换3.4 Z变换的应用四、模拟信号数字处理五、滤波器5.1 一些散落的实例5.
2021-12-14 10:44:43
互联网
795
分类：算法开发
专栏：数字信号处理
信号调制基础理论知识
学习——信号调制识别 （一） 看了《通信信号调制识别技术及其发展》这一论文后，将学习到的知识记录在这篇博客里。1、通信信号调制识别技术 调制识别问题从本质上来说是一种典型的模式识别问题。其基本框架如图所示： 调制识别由三部分组成：信号预处理、提取特征参数和分类识别。信号预处理部分包括载波同步、频率下变频、噪声抑制以及对信噪比、符号周期、载波频率等参数的估计。特征提取部分...
2021-12-14 22:00:52
互联网
872
分类：算法开发
专栏：数字信号处理
轴振动和轴承振动的区别
轴振动，即轴相对于轴承座的相对振动，一般用在大机组的在线上，比如本特立的3300等。安装时是把传感器（多是位移传感器）固定在轴承座上，因此测的是轴相对于轴承座的相对位移，单位多是位移；另一个应该是轴承座振动，即在监测时把传感器（大多数巡检用的便携式数据采集器都是如此，多为加速度传感器）用磁铁固定在轴承座上（没有安装），测的是轴承座的绝对振动。总之，传感器不同，安装方式和位置不同，测量的单位
2021-12-17 09:40:04
互联网
872
分类：算法开发
专栏：振动信号预处理
语音信号的预处理
概述语音信号是一种非平稳的时变信号，它携带着大量信息。在语音编码、语音合成、语音识别和语音增强等语音处理中，都需要提取语音中包含的各种信息语音处理的目的对语音信号进行分析，提取特征参数，用于后续处理加工语音信息，如语音增强和语音合成中的应用根据所分析的参数类型，语音信号可以分成：时域分析最简单、最直观直接对语音信号的时域波形进行分析特征参数：语音的短时能力、平均幅度、短时...
2022-01-13 16:53:53
互联网
791
分类：算法开发
专栏：语音信号预处理
数字信号处理的主要内容
随着计算机和微电子等学科的飞速发展，数字信号处理的理论、算法和实现方法都获得了快速发展，应用也越来越多。数字信号处理的内容广泛，理论复杂，主要包括以下部分：1、离散时间信号与离散时间系统2、Z变换及离散时间系统分析3、离散时间信号的傅里叶变换4、快速傅里叶变换5、离散时间系统的相位、结构和状态变量描述6、无限冲激响应数字滤波器设计7、有限冲激响应数字滤波器设计8、信
2022-01-13 17:36:49
互联网
416
分类：算法开发
专栏：数字信号处理
tensorflow系列-深度学习中的激活函数
所谓激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。如图1，在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数。引入激活函数是为了增 加神经网络模型的非线性。没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后，无非还是个矩阵相乘罢了。
2022-03-31 22:05:32
博客笔记
603
分类：算法开发
专栏：未分组
故障诊断之基于振动信号的阶比谱分析
故障诊断之基于振动信号的阶比谱分析
2022-05-31 11:08:40
互联网
1569
分类：算法开发
专栏：振动信号预处理
-
52phm公告
-
-
关于站长
从事设备故障预测与健康管理行业多年的PHM算法工程师（机器医生）、国际振动分析师， 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。