申请/专利权人：广东省特种设备检测研究院珠海检测院

申请日：2020-06-23

公开（公告）日：2024-04-16

公开（公告）号：CN111860184B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/214;G06N3/0464;G06N3/08;G01M13/00;G01M13/021;G01M13/028

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.11.17#实质审查的生效;2020.10.30#公开

摘要：本发明公开了一种自动扶梯机械故障诊断方法和系统，该方法包括步骤初始化；获取来自加速度传感器的检测信号，并提取时域特征；对时域信号进行LCD分解以获得若干个峭度最大的ISC分量，并将若干个ISC分量进行排序后获得数据集；将数据集按比例分为训练集和测试集，将训练集输入到深度卷积神经网络中进行调参训练，通过测试集进行有效性验证；对来自待检测的加速度传感器的信号运算，输出对应的机械故障类型。避免了EMD分解和LMD分解过程中计算次数多、残差大、频率混叠和端点效应等缺点，有利于提高扶梯机械故障诊断的效率，使用深度卷积神经网络，可以自适应提取人工无法提取的有效特征，提高故障判断的准确性。

主权项：1.一种自动扶梯机械故障诊断方法，其特征在于，包括以下步骤：初始化，将多个所述加速度传感器分别与待检测位置相互关联；数据获取，获取来自所述加速度传感器的时域信号，并从所述时域信号中提取时域特征；数据处理，对所述时域信号进行LCD分解以获得若干个峭度最大的ISC分量，并将若干个所述ISC分量进行排序后获得数据集；训练深度卷积神经网络，将所述数据集按比例分为训练集和测试集，将所述训练集输入到预设的深度卷积神经网络中进行调参训练，将所述测试集输入到完成调参训练的深度卷积神经网络中进行有效性验证；故障诊断，完成训练后的深度卷积神经网络对来自每个待检测的加速度传感器的检测信号进行运算，输出对应的机械故障类型；所述LCD分解，具体包括以下步骤：S310、将所述时域信号赋值给初始序列yt，并将赋值后的序列yt赋值给剩余信号序列rt；S320、确定序列yt的所有极值点tk,yk，k为正整数，选取三个相邻的极值点tk-1,yk-1、tk,yk和tk+1,yk+1，确定首尾两个极值点所在的直线函数Akt，并计算直线函数Akt与极值点tk,yk对应的函数值Ak；S330、计算函数值Ak和函数值yk共同对应的均值点SLk＝αAk+1-αyk，其中α为常数，且α∈0,1，并将所有的均值点SLk组成序列SLt；S340、计算信号差值序列y1t＝yt-SLt；S350、当所述信号差值序列y1t满足ISC分量条件时，ISC分量序列ISCit＝y1t，i为正整数，则更新后的剩余信号序列r1t＝rt-ISCit；S360、当所述剩余信号序列r1t为单调函数时，LCD分解结束，并输出ISC分量序列ISCit，否则，将所述剩余信号序列r1t幅值给序列yt，并重复步骤S320至S360。

全文数据：

权利要求：

百度查询： 广东省特种设备检测研究院珠海检测院 一种自动扶梯机械故障诊断方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD