【技术实现步骤摘要】
用于卷烟设备的多信号融合故障检测方法、装置和介质
[0001]本专利技术涉及计算机领域,具体为一种用于卷烟设备的多信号融合故障检测方法、装置和介质。
技术介绍
[0002]由于卷烟设备长时间处于满负荷运转状态,其轴承和齿轮在长时间运转过程中会发生不同程度的损耗或破坏。但是目前大部分卷烟设备不能够自带有效的故障诊断系统或是故障诊断系统过于单一,导致卷烟机在未安装故障诊断系统的部位发生故障后不能及时发现,从而影响实际生产。
[0003]目前卷烟设备故障诊断的主要包括统计分析法、信号处理法和人工智能法这三种方法。统计分析方法无法对较多的对象进行预测,信号处理法依赖于专家经验知识,在实际应用中没有很好的推广性和一致性。随着人工智能的发展,高精度智能故障诊断成为发展的趋势。但目前卷烟设备在人工智能领域主要依靠在单一位置获取传感器信号数据再将其放入相应的模型中进行训练,不能有效反映整体信息,导致对故障判别不够充分。同时传统深度学习随着网络层数的增加,会出现网络退化的问题,导致神经网络学习效率不高;其次振动信号存在大量噪声,导致传统深度学习判别不足。
技术实现思路
[0004]为克服上述现有技术的不足,本专利技术提供一种用于卷烟设备的多信号融合故障检测方法、装置和介质,用以解决上述技术问题中的至少一种。
[0005]基于本专利技术说明书的一方面,提供一种用于卷烟设备的多信号融合故障检测方法,包括:
[0006]步骤S1:获取卷烟设备上的转子振动数据、基座振动数据和外壳振动数据,并对转子振动数 ...
【技术保护点】
【技术特征摘要】
1.用于卷烟设备的多信号融合故障检测方法,其特征在于,包括以下步骤:步骤S1:获取卷烟设备上的转子振动数据、基座振动数据和外壳振动数据,并对转子振动数据、基座振动数据和外壳振动数据进行预处理;步骤S2:将预处理后的转子振动数据输入至训练好的转子预测深度残差收缩网络模型C1中,得到第一故障概率分布集合其中k为设备故障类型;将预处理后的基座振动数据输入至训练好的基座预测深度残差收缩网络模型C2中,得到第二故障概率分布集合将预处理后的外壳振动数据输入至训练好的外壳预测深度残差收缩网络模型C3中,得到第三故障概率分布集合步骤S3:获取转子权重集基座权重集基座权重集和外壳权重集并基于下式计算设备故障类型概率:步骤S4:将步骤S3中计算得到的设备故障类型概率进行比较,得到最大设备故障类型概率,获取最大设备故障类型概率对应的故障类型,输出故障类型检测结果。2.根据权利要求1所述的用于卷烟设备的多信号融合故障检测方法,其特征在于,所述转子权重集ω1、基座权重集ω2和外壳权重集ω3的获取方法为:基于设备历史故障类型及对应的转子历史振动数据、基座历史振动数据和外壳历史振动数据分别构建验证集V
s1
,V
s2
和V
s3
;将验证集V
s1
中的转子历史振动数据输入至C1中,将验证集V
s2
中的基座历史振动数据输入至C2中,将验证集V
s3
中的外壳历史振动数据输入至C3中,分别得到C1、C2和C3输出的设备故障类型预测结果R1、R2和R3;基于验证集V
s1
,V
s2
和V
s3
中的设备历史故障类型和设备故障类型预测结果R1、R2和R3分别计算三种模型对故障类型k的预测精度和令基于构建得到转子权重集ω1,基于构建得到基座权重集ω2,基于构建得到外壳权重集ω3。3.根据权利要求1所述的用于卷烟设备的多信号融合故障检测方法,其特征在于,所述转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型的训练过程如下:构建转子训练集、基座训练集和外壳训练集;构建三个初始深度残差收缩网络模型;将转子训练集、基座训练集和外壳训练集分别输入三个初始深度残差收缩网络模型中对模型进行训练,得到训练好的转子预测深度残差收缩网络模型、基座预测深度残差收缩网络模型和外壳预测深度残差收缩网络模型。4.根据权利要求3所述的用于卷烟设备的多信号融合故障检测方法,其特征在于,所述构建转子训练集、基座训练集和外壳训练集包括:步骤1:获取卷烟设备历史故障数据,所述卷烟设备故障数据包括设备历史故障类型k及对应的转子历史振动曲线S1、基座历史振动曲线S2和外壳历史振动曲线S3;
步骤2:从转子历史振动曲线S1上按设定的区间长度截取得到子曲线S
11
,S
12
,...S
1i
;步骤3:对子曲线S
11
,S
12
,...S
1i
进行快速傅里叶变换,得到对应的频谱数据,将所述频谱数据标准化后转化成对应的灰度图M
11
,M<...
【专利技术属性】
技术研发人员:方利梅,王柳婧,柴武君,王文娟,邬江明,冯海,
申请(专利权)人:浙江中烟工业有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。