【技术实现步骤摘要】
本专利技术属于基于机器学习的故障诊断，尤其涉及一种基于gafs多元时序转二维图像和convnextv2的气动阀门故障诊断方法。
技术介绍
1、对于气动阀门故障诊断，传统的“事后维修”和“周期检修”方式并不能即时获得大型工业场所内机械设备的实时运行状态。这导致了大量人力资源被消耗在日常检修工作上，容易造成安全事故，并且无法及时应对逐渐或突发的故障情况。目前，通过对设备运行状态进行监控，并根据监控信息预测设备可能出现的故障类型和时间点，现场技术人员能够及时做出判断，从而降低安全事故的发生率。在工业互联网、计算机技术和人工智能迅速发展的推动下，人力故障诊断逐步被智能故障诊断取而代之。故障诊断方法主要可以分为基于机理模型模型的方法和基于数据驱动的方法。
2、基于机理模型的方法是通过系统辨识模型对气动调节阀门建立动态模型。根据故障产生时，观测模型的输入输出参数变化来判断是否有故障发生，其模型是建立在能够被数字量化的过程系统之上，当过程是线性时，建模较为容易，但对于非线性过程，建模就会变得困难，因此基于机理模型的诊断方法存在难以考虑到实...
【技术保护点】
1.一种基于GAFs多元时序转二维图像和ConvNeXtV2的气动阀门故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于GAFs多元时序转二维图像和ConvNeXtV2的气动阀门故障诊断方法，其特征在于，所述步骤一利用微处理器对5个变量进行了数据的采集，其中该5个变量分别是阀位的反馈数据，气室气压检测传感器数据，气源气压检测传感器数据，阀门定位器控制电流数据以及阀门差分信号参考电压数据。
3.根据权利要求2所述的基于GAFs多元时序转二维图像和ConvNeXtV2的气动阀门故障诊断方法，其特征在于，步骤一所述微处理器为MSP
【技术特征摘要】
1.一种基于gafs多元时序转二维图像和convnextv2的气动阀门故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于gafs多元时序转二维图像和convnextv2的气动阀门故障诊断方法，其特征在于，所述步骤一利用微处理器对5个变量进行了数据的采集，其中该5个变量分别是阀位的反馈数据，气室气压检测传感器数据，气源气压检测传感器数据，阀门定位器控制电流数据以及阀门差分信号参考电压数据。
3.根据权利要求2所述的基于gafs多元时序转二维图像和convnextv2的气动阀门故障诊断方法，其特征在于，步骤一所述微处理器为msp430单片机。
4.根据权利要求2所述的基于gafs多元时序转二维图像和convnextv2的气动阀门故障诊断方法，其特征在于，所述步骤一采集频率为50hz，每个样本包含1000个样本点，一共采集2000，其中包含健康样本，气源漏气...
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。