[發明專利]一種基于S變換與CNN網絡的設備壽命預測方法

在審

• 申請號: 202211533045.6
• 申請日: 2022-12-01
• 公開（公告）號: CN116029420A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 彭六保;胡勇;曾志生;邴奇;佟文杰
• 申請（專利權）人: 航天智控（北京）監測技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/213;G06F18/24;G06N3/0464;G06N3/048;G06N3/08;G06F123/02
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

1.一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，采用以下步驟：

步驟1：對裝置運行時的振動信號進行實時采集；

步驟2：對采集的振動信號進行S轉換，采用高斯窗函數進行轉換，獲取分析轉換后的時頻信號圖；

步驟3：根據時頻信號圖判斷信號突降、突升、諧波以及震蕩擾動類型，通過s變化對不同信號擾動類型進行時頻域特征提取；

步驟4：根據提取的時頻域特征選擇分類器進行訓練分類，對信號擾動進行檢測與判斷；

步驟5：設置調節卷積神經網絡模型的參數，搭建故障診斷模型；

步驟6：使用故障診斷模型對時頻信號圖的數據進行分析計算和預測，根據分析計算結果得到裝置的性能，根據預測結果判斷裝置的使用壽命。

2.根據權利要求1所述的一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，所述高斯窗函數中窗寬與頻率的倒數成正比，信號h(t)的一維連續S變換表達式如下：

其中，w(t-τ,f)為高斯窗函數；τ為平移因子，用于控制高斯窗在時間軸t上的位置；f為頻率；i為虛數單位。

3.根據權利要求2所述的一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，S變化的離散變現形式如下：

其中X[n]的公式如下：

4.根據權利要求3所述的一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，S變換的結果是一個二維矩陣，列對應采樣點時間，行對應頻率值，矩陣元素是一個復數，可從中獲取幅值和相位信息，此時的頻率值需要根據采樣頻率和采樣數進行轉化才能和實際的頻率對應，轉換方式與離散傅里葉轉化方式相同，每個點的實際頻率是(fs/N)*n，fs為采樣頻率，N為采樣數，n為第n個點的序號。

5.根據權利要求1所述的一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，卷積神經網絡包括：輸入層、卷積層、非線性激活層、池化層、全連接層以及輸出層。

6.根據權利要求5所述的一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，在將輸入數據傳遞到卷積神經網絡之前，會對數據進行預處理，預處理過程如下：先從S變換后的時頻信號圖中得到高分辨率的原始時頻圖，再將圖像壓縮至128*128像素，然后在采用歸一化方法進行預處理，預處理完成后，從訓練集中隨機取9張圖像，并針對隨機選擇的圖像生成其真實標簽；歸一化是將輸入數據除以在訓練集上計算所得到的每個輸入像素的標準差，以將標準差歸一化為單位值，假設給出N個訓練圖像，每一個像素值由x表示，則歸一化的公式表達如下：

其中，

7.根據權利要求5所述的一種基于S變換與CNN網絡的設備壽命預測方法，其特征在于，卷積層包括一組濾波器，也稱卷積核，卷積核與給定輸入圖像進行卷積計算以生成輸出特征圖像，在卷積神經網絡訓練期間，每個卷積核的權重可以學習得到，學習過程包括在訓練開始時卷積核權重的隨機化方法以及給定輸入輸出對后在多次迭代中調整卷積核權重，在卷積過程中，對于尺寸為f×f的卷積核，輸入時頻特征圖像的大小為h×w，并且步幅為s，則輸出特征尺寸由下式給出：

卷積核在設計大小時，會將其尺寸定義為小于輸入圖像的尺寸，卷積核的大小稱為卷積核的感受野，當卷積層為N層堆疊時，每層的有效感受野的公式如下：

其中，f_n表示第n層卷積核大小，s_i表示每一個前一層的步幅長度，表示前一層的有效感知野；

在學習訓練過程中，會設置多個權重不同的卷積核提取圖像的特征，卷積核沿垂直和水平位置采取特定步長移動進行子采樣，卷積計算表達式如下：

其中，和礦分別表示第i層的第j個卷積核的權重和偏置項，表示第(i,j)個卷積核后的輸出；x^i-1表示第i-1層的輸出。