[發(fā)明專利]一種基于多尺度縮放學習框架的調(diào)相機故障診斷方法

在審

• 申請?zhí)枺?/td>: 202211380431.6
• 申請日: 2022-11-04
• 公開（公告）號: CN115754709A
• 公開（公告）日: 2023-03-07
• 發(fā)明（設計）人: 王開科;朱霄珣;錢白云;楊興;董利江;林翔;王魯東;吳玉華;高佳
• 申請（專利權）人: 國網(wǎng)新疆電力有限公司電力科學研究院;華北電力大學（保定）;新疆新能集團有限責任公司烏魯木齊電力建設調(diào)試所
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06F30/27;G06F18/24
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多尺度縮放學習框架的調(diào)相機故障診斷方法，其特征在于，包括以下步驟：

S1根據(jù)實際的調(diào)相機構建物理模型，方便實驗探究；

S2通過振動監(jiān)測分析儀采集實驗數(shù)據(jù)，主要包括固定在調(diào)相機四個點位的振動信息；

S3對故障模式進行分類，分為動態(tài)碰摩、靜態(tài)碰磨和動態(tài)不平衡；

S4搭建一個多尺度縮放學習框架(MSZLF)，采用特征信息縮放功能，更全面地反映了調(diào)相機的故障信息；

S5構造一個數(shù)據(jù)采集模塊，進行數(shù)據(jù)采集和數(shù)據(jù)集制作；

S6構造一個特征學習模塊，運用卷積神經(jīng)網(wǎng)絡進行特征提取學習；

S7構造一個全連接分類模塊，運用softmax模塊對特征進行分類；

S8網(wǎng)絡結構探索，確定多尺度縮放學習框架的具體層數(shù)和尺度數(shù)；

S9實驗驗證，在多尺度縮放學習框架中輸入震動信號，驗證故障診斷情況。

2.根據(jù)權力要求1所述的一種基于多尺度縮放學習框架的調(diào)相機故障診斷方法，其特征在于，所述步驟S4中多尺度縮放學習框架搭建的步驟為：

本發(fā)明的創(chuàng)新點在于，將特征提取、特征學習和特征識別結合成新模塊；

首先，在模型中引入了多尺度學習機制，重點在于在全方位的學習理念上，從故障數(shù)據(jù)中不同角度表達信息；

其次，能量運算器被用來估計深度模型框架內(nèi)的能量，以增加后續(xù)學習單元有效地學習重要特征的概率；

最后，通過改變映射規(guī)則和設置縮放數(shù)據(jù)映射流程，可以有效地增強故障特征的顯示。

3.根據(jù)權力要求1所述的一種基于多尺度縮放學習框架的調(diào)相機故障診斷方法，其特征在于，所述步驟S5中數(shù)據(jù)采集的步驟為：

首先，規(guī)定采集信號為一維信號，更能完整的體現(xiàn)故障類別信息；

其次，振動傳感器固定在盤車端和勵磁端的x、y方向上，通過SKVMA振動監(jiān)測分析儀進行采集，采集頻率為6666Hz；

最后，獲取振動信號，為實驗提供數(shù)據(jù)。

4.根據(jù)權力要求1所述的一種基于多尺度縮放學習框架的調(diào)相機故障診斷方法，其特征在于，所述步驟S6搭建特征學習模塊的步驟為：

首先，在全連接層前部引入Teager能量算子技術，構建能量算子層結構；

其次，在卷積層前后加入正則(BN)層和激活函數(shù)；

最后，加入池化層，特別的是最大池化操作設定池化尺寸為2，步長為2。