买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：密封电子设备多余物定位确信可靠性分析方法，属于密封电子设备多余物定位检测技术领域。为了目前还没有一种密封电子设备多余物定位确信可靠性分析方法的问题，本发明提基于多余物定位性能分析，构建关键性能参数与其泛化性能退化机制、确信性能阈值的因果关系；量化脉冲提取、脉冲匹配、特征提取、特征处理、特征选择、分类器训练及参数优化对定位模型分类性能的不确定性影响，构建确信可靠性模型，在确定确定确信性能阈值之后，根据七个参数指标各自对应的裕量和分类精度提升幅度作为密封电子设备多余物定位确信可靠性分析指标进行可靠性分析。

主权项：1.密封电子设备多余物定位确信可靠性分析方法，所述方法针对采用机器学习方式对密封电子设备多余物进行定位的方法进行可靠性分析，对密封电子设备多余物进行定位的过程中，利用N”个声发射传感器采集多余物信号；采用机器学习方式对密封电子设备多余物进行定位的方法包括针对密封电子设备对应多余物信号的预处理过程，对预处理后信号进行特征处理的特征工程，以及机器学习模型训练的过程，所述预处理过程包括脉冲提取、脉冲匹配的步骤，特征工程包括特征提取、特征处理、特征选择的步骤，机器学习模型训练的过程包括分类器训练和参数优化的步骤，将脉冲提取、脉冲匹配、特征提取、特征处理、特征选择、分类器训练和参数优化的七个步骤称为七个参数指标；其中，脉冲提取：针对多余物信号，采用三门限脉冲提取算法提取有用脉冲；脉冲匹配：基于不同声发射传感器对应提取到的有用脉冲，以多余物信号到达不同声发射传感器的时间为参考，距离最远的声发射传感器接收到多余物信号为基准，采用补零时间差脉冲匹配算法对不同声发射传感器对应提取到的有用脉冲进行脉冲匹配；特征提取：针对经过脉冲匹配后的每路声发射传感器对应的有用脉冲，从时域和频域中提取多个信号特征；特征处理：首先对缺失值与异常值进行处理，然后对数据集进行标准化处理；特征选择：将任意一声发射传感器对应每个特征记为一列特征，将对应一列特征的多个声发射传感器的特征数据的组合视为特征选择的基本单位，基于特征选择的基本单位对特征进行筛选，得到筛选后的特征；分类器训练：将采用机器学习方式对密封电子设备多余物进行定位的方法使用的机器学习模型记为定位模型；在数据集上进行训练，得到所需的定位模型；参数优化：对定位模型进行参数优化；其特征在于，所述方法包括以下步骤：步骤101、确定确信性能阈值：设备模型的内部空间分隔为多个密闭空间，基于对密封电子设备多余物进行定位的方法，依次将多余物放置到不同编号的密闭空间内，分别得到多与密闭空间对应的条标签的数据，建立代表多余物被放置在不同密闭空间的初步数据集，然后采用特征工程对初步数据集进行特征处理，并训练分类器，对分类器的内部参数进行优化，得到分类性能最优的分类器，记为最优基准定位模型，并记录最优基准定位模型取得的最高分类精度K0；将定位模型的分类性能量化为正确预测标签的数据个数占总数据个数的比例；将最优基准定位模型在多个待测数据集上取得的分类精度均分布区间，根据分类精度均分布区间的最低精度K1和最高精度K2，然后采用K0与K1的差值作为分类精度最大衰减幅度，然后基于分类精度最大衰减幅度和安全裕量确定分类精度衰减幅度的上限值并作为平均退化数值为α，进而得到确信性能阈值q＝α+0.5；步骤102、基于外界条件的五个参数指标对应的分类性能进行渐进式分析，具体过程包括以下步骤：首先基于获取的多路声发射传感器对应的原始多余物信号，得到一个初步数据集，针对初步数据集进行特征提取，设特征的类型数量为J个，进而得到一个初步特征数据集，在初步特征数据集上同时训练M”个分类器，每个分类器得到1个分类精度，将此时的分类精度视为初始分类精度，作为用于后续比较的基础；然后控制每次使用一个参数指标对源头多余物信号进行处理，在处理后的多余物信号上重新建立数据集，并分别训练相同的M”个分类器，分别得到对应的新的分类精度，具体如下：1基于初步数据集，对多路声发射传感器对应的多余物信号分别进行脉冲提取得到有用脉冲，然后进行特征提取，基于有用脉冲对应的特征重新构建一个新的数据集；在此基础上，同样训练M”个分类器，并计算各自对应的分类精度；分别计算不同的分类器分类精度与确信性能阈值q进行比较，将分类精度与确信性能阈值q的差值作为脉冲提取指标裕量；同时分别计算不同的分类器分类精度与各自对应的初始分类精度之差作为精度提升幅度指标；2基于脉冲提取的数据，对多路声发射传感器对应的多余物信号进行脉冲匹配，将经过脉冲匹配的有用脉冲进行特征提取，基于脉冲匹配后有用脉冲对应的特征重新构建新的数据集；在此基础上，同样训练M”个分类器，并计算各自对应的分类精度；分别计算不同的分类器分类精度与确信性能阈值q进行比较，将分类精度与确信性能阈值q的差值作为脉冲匹配指标裕量；同时分别计算不同的分类器分类精度与各自对应的初始分类精度之差作为精度提升幅度指标；3将经过脉冲匹配的有用脉冲进行多通道特征提取：N”个声发射传感器经过脉冲匹配后的有用脉冲是对应的，一组有用脉冲含有N”个对应的有用脉冲，N”个对应的有用脉冲对应于N”个声发射传感器，将一组有用脉冲进行特征提取，将一组有用脉冲对应的N”×J个特征作为一个特征向量；在以特征向量形式构成的数据集上，同样训练M”个分类器，并计算各自对应的分类精度；分别计算不同的分类器分类精度与确信性能阈值q进行比较，将分类精度与确信性能阈值q的差值作为多通道特征提取指标裕量；同时分别计算不同的分类器分类精度与各自对应的初始分类精度之差作为精度提升幅度指标；4基于进行了多通道特征提取的以特征向量形式构成的数据集，进行特征处理，得到经过特征处理的以特征向量形式构成的数据集；在此基础上，同样训练M”个分类器，并计算各自对应的分类精度；分别计算不同的分类器分类精度与确信性能阈值q进行比较，将分类精度与确信性能阈值q的差值作为特征处理指标裕量；同时分别计算不同的分类器分类精度与各自对应的初始分类精度之差作为精度提升幅度指标；5基于经过特征处理的以特征向量形式构成的数据集，进行特征选择，得到经过特征选择之后的以特征向量形式构成的数据集；在此基础上，同样训练M”个分类器，并计算各自对应的分类精度；分别计算不同的分类器分类精度与确信性能阈值q进行比较，将分类精度与确信性能阈值q的差值作为特征选择指标裕量；同时分别计算不同的分类器分类精度与各自对应的初始分类精度之差作为精度提升幅度指标；步骤103、基于内在属性的两个参数指标对应的分类性能进行渐进式分析，具体过程包括以下步骤：a基于前五个参数指标得出分类器训练对定位模型分类性能的作用效果：基于前五个参数指标的参数指标裕量和分类精度的提升幅度，将分类性能作用效果最优的分类器作为最优定位模型；取最优定位模型与其他分类器的最优分类精度的差值的均值作为分类精度的提升幅度；b对最优定位模型的内部参数进行参数优化，得到参数优化后的最优定位模型，并计算分类精度，并与确信性能阈值q进行比较，将分类精度与确信性能阈值q的差值作为参数优化指标裕量；同时计算分类精度与初始分类精度之差作为精度提升幅度指标；步骤104、根据除分类器训练以外的六个参数指标各自对应的裕量和分类精度提升幅度，以及分类器训练对应的分类精度的提升幅度作为密封电子设备多余物定位确信可靠性分析指标进行可靠性分析。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 密封电子设备多余物定位确信可靠性分析方法