【技术实现步骤摘要】
本专利技术涉及基于人工智能的设备状态监测，尤其涉及一种面向港口大型设备健康状态监测的模型训练方法。
技术介绍
1、随着港口自动化和规模化的发展，桥式起重机、斗轮堆取料机等大型设备已成为港口高效运行的关键支撑。这类设备体量庞大、运行环境复杂，长期承受重载、冲击与海洋气候的影响，极易产生轴承磨损、齿轮断裂、结构疲劳等故障。一旦发生失效，不仅会造成巨额的维修成本和生产中断，还可能引发严重的安全事故，因此对设备运行状态进行实时健康检测与劣化评估具有重大意义。
2、现有的设备状态检测方法主要依赖于传统振动信号分析和机器学习分类模型。例如，短时傅里叶变换、小波分析等时频分析方法在特征提取中普遍采用固定的分析窗或基函数，难以同时兼顾高频瞬态冲击和低频劣化模式，容易导致特征提取不足和故障模式混叠。经验模态分解及其改进算法虽然能够自适应分解非平稳信号，但在强噪声背景下仍存在模态混叠与过度分解的问题，重构信噪比低，导致关键冲击特征被掩盖。此外，传统的深度学习模型在处理振动信号时大多直接输入时域或频域特征进行分类，忽略了劣化过程的渐进性与多尺度特...
【技术保护点】
1.一种面向港口大型设备健康状态监测的模型训练方法，其特征是，包括以下步骤：
2.根据权利要求1所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，构建深度学习模型中的操作具体如下：
3.根据权利要求1所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，S2具体如下：
4.根据权利要求2所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，时频双路径特征重标定的操作具体如下：
5.根据权利要求2所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，级联空洞深度特征提取的操作具体如下：
<...【技术特征摘要】
1.一种面向港口大型设备健康状态监测的模型训练方法，其特征是，包括以下步骤：
2.根据权利要求1所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，构建深度学习模型中的操作具体如下：
3.根据权利要求1所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，s2具体如下：
4.根据权利要求2所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，时频双路径特征重标定的操作具体如下：
5.根据权利要求2所述的面向港口大型设备健康状态监测的模型训练方法，其特征是，级联空洞深度特征提取的操作具体如下：
6.根据权利要求2所述的面向港口大型设备健康状态监测的模...
【专利技术属性】
技术研发人员：顾健，吕烨，林大凯，曹海东，孙淑岳，刘超，郭恩华，任梦真，李学奇，孟祥东，田玉华，高双磊，许明媚，黄俊霖，常洪伟，钱广来，戚玮真，
申请(专利权)人：山东港口烟台港集团有限公司，
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。