[發明專利]一種基于深度學習的壓力儀表引壓管智能故障診斷方法

在審

• 申請號: 202210711851.1
• 申請日: 2022-06-22
• 公開（公告）號: CN115099273A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 王鍇;何天放;曾鵬;徐皚冬;王志平;張博;蔣茂葦
• 申請（專利權）人: 中國科學院沈陽自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06V10/82;G01L27/00;G06N3/04;G06N3/08
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 王倩

1.一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，包括以下步驟：

S1、獲取壓力儀表傳感器輸出的原始壓力信號，并進行預處理；

S2，將預處理后的信號截取長度為N個采樣點的片段，并將截取后的信號進行線性歸一化；

S3，通過連續小波變換將歸一化后的信號轉換為設定尺寸的灰度圖像；

S4，將灰度圖像輸入訓練完成的二維卷積神經網絡，獲得壓力儀表引壓管的堵塞狀態。

2.根據權利要求1所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述二維卷積神經網絡的訓練包括以下步驟：

獲取壓力儀表傳感器輸出的原始壓力信號的歷史數據，并進行預處理；

將預處理后的信號截取長度為N個采樣點的片段，并將截取后的信號進行線性歸一化；

通過連續小波變換將歸一化后的信號轉換為設定尺寸的灰度圖像；

將灰度圖片標注分類標簽，得到每個灰度圖片以及對應的壓力儀表引壓管的堵塞狀態；

將批注的灰度圖片輸入至二維卷積神經網絡進行訓練，將引壓管堵塞狀態信息作為輸出，得到訓練好的二維卷積神經網絡。

3.根據權利要求1或2所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述預處理，包括以下步驟：

通過限幅濾波過濾原始壓力信號中的噪點，通過低通濾波去除信號中的高頻噪聲。

4.根據權利要求1所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述預處理，包括以下步驟：

計算當前采樣點與前一個采樣點差值的絕對值；

計算該絕對值與前一個采樣點的比值；

將該比值與閾值進行比較；

若比值超出閾值，則當前采樣點數據采用前三個采樣點數據平均值；若當前采樣點數據之前的采樣點不足三個，則用最近一個采樣點數據補充；

若比值未超過閾值，則保留采集得到的數據。

5.根據權利要求1所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述連續小波變換通過下式實現：

其中，t為時間，ψ(t)為小波信號在時域的幅值。

6.根據權利要求1所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述將灰度圖像輸入訓練完成的二維卷積神經網絡，獲得壓力儀表引壓管的堵塞狀態，包括以下步驟：

將灰度圖像輸入訓練完成的二維卷積神經網絡，得到某個樣本屬于第K類的概率P_k；

根據概率P_k，經函數l(x)確定健康狀態，以表示壓力儀表引壓管的堵塞狀態。

7.根據權利要求6所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述某個樣本屬于第K類的概率P_k；

其中，Z為二維卷積神經網絡展平層所輸出一維向量，ω為權重，k為各個健康狀態的標號，k∈{0,1,2}。

8.根據權利要求7所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法，其特征在于，所述根據概率P_k，經函數l(x)確定健康狀態：

l(x)表示類別標簽，以表示未堵塞、堵塞、完全堵塞。

9.一種基于深度學習的壓力儀表引壓管智能故障診斷裝置，其特征在于，包括：

所述信號處理模塊，用于對壓力儀表的原始壓力信號進行濾波，并截成片段后進行歸一化；

所述智能識別模塊，用于通過連續小波變換將歸一化后的信號轉換為設定尺寸的灰度圖像，輸入至卷積神經網絡單元，對壓力儀表引壓管故障狀態進行識別，獲得壓力儀表引壓管的堵塞狀態。

10.一種計算機可讀存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，當所述計算機程序被處理器執行時，實現如權利要求1-8任一項所述的一種基于深度學習的壓力儀表引壓管智能故障診斷方法。