[發明專利]一種振動信號二維映射的數據安全風險識別系統及方法

在審

• 申請號: 202211725133.6
• 申請日: 2022-12-30
• 公開（公告）號: CN116089795A
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 馬棟梁;張一名;陳輝;裴蕾
• 申請（專利權）人: 河北金融學院
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/213;G06F18/25;G06N3/0464
• 代理公司: 保定運維知識產權代理事務所(普通合伙) 13133
• 代理人: 李顯鋒

1.一種振動信號二維映射的數據安全風險識別系統，其特征在于，包括硬件部分和軟件部分；

所述硬件部分包括：

振動信號采集裝置，安裝于轉動機械的軸承部件上，用于采集轉動機械振動信號，并將轉動機械振動信號傳輸給計算信息存儲裝置；以及

計算信息存儲裝置，與所述振動信號采集裝置通信連接，用于接收所述振動信號采集裝置采集的轉動機械振動信號，并對轉動機械振動信號進行計算存儲；

所述軟件部分包括：

一維信號預處理模塊，用于對采集的轉動機械振動信號進行數據增強的數據截斷，通過濾波得到信號降噪后的截斷振動信號；

特征增強融合模塊，用于對截斷振動信號進行基于多量程克隆連接的特征增強融合，通過擬合得到特征融合后的振動信號；

二維皮亞諾映射模塊，用于對特征融合后的振動信號進行皮亞諾二維映射轉換，得到二維皮亞諾特征圖；

相位一致性篩選模塊，用于根據實際的灰度像素信息，對實際的故障特征相位一致性信息進行篩選，并分別得到不同故障特征的相位灰度圖；

灰度特征對比優化模塊，用于根據圖像自相關性判斷是否存在特征漏檢區域點，并根據實際的故障灰度區進行特征對比調節優化；

卷積網絡模型訓練模塊，用于根據最終得到故障類型灰度樣本圖，進行卷積神經網絡的故障模型訓練，最終計算識別出相應故障振動信號的故障類型和受損程度。

2.根據權利要求1所述的振動信號二維映射的數據安全風險識別系統，其特征在于：所述計算信息存儲裝置設置有抗干擾屏蔽層，所述抗干擾屏蔽層采用多納米聚合防腐蝕金屬外殼材料。

3.根據權利要求2所述的振動信號二維映射的數據安全風險識別系統，其特征在于：所述多納米聚合防腐蝕金屬外殼材料由鎳鈦合金和多粒徑聚合納米防腐蝕材料1～2:1.5～5混合而成，所述聚合納米防腐蝕材料的粒徑為20nm～750nm。

4.一種振動信號二維映射的數據安全風險識別方法，其特征在于，包括以下步驟：

步驟一，采集轉動信號：通過振動信號探頭采集轉動機械的振動信號；

步驟二，一維信號預處理：對采集的振動信號進行數據增強的數據截斷，通過BM3D濾波得到信號降噪后的截斷振動信號；

步驟三，特征增強融合：對截斷振動信號進行基于多量程克隆連接的特征增強融合，通過細化、最優平均、最小二乘法中的一種擬合得到特征融合后的振動信號；

步驟四，二維皮亞諾映射：對特征融合后的振動信號進行4～6階皮亞諾二維映射轉換，得到二維皮亞諾特征圖；

步驟五，相位一致性篩選：根據實際的灰度像素信息，對實際的故障特征相位一致性信息進行篩選，并分別得到不同故障特征的相位灰度圖；

步驟六，灰度特征對比優化：根據圖像自相關性判斷是否存在特征漏檢區域點，并根據實際的故障灰度區進行特征對比調節優化，最終得到故障類型灰度樣本圖；

步驟七，卷積網絡模型訓練：根據最終得到故障類型灰度樣本圖，進行卷積神經網絡的故障模型訓練，最終計算識別出相應故障振動信號的故障類型和受損程度。

5.根據權利要求4所述的振動信號二維映射的數據安全風險識別方法，其特征在于，在步驟三中，對截斷振動信號采用1/4等間距的數據增強處理，采用Canny算子對振動信號進行局部噪聲的非極大值的抑制過程處理，對抑制處理后的數據采用2⁴～2⁶量程范圍內的最優平均數據克隆，以增強樣本空間的特征識別融合。

6.根據權利要求4所述的振動信號二維映射的數據安全風險識別方法，其特征在于，在步驟四中，對特征融合后的振動信號序列向二維空間平面進行轉換的過程中，采用皮亞諾型空間填充曲線進行一維信號向二維平面的空間映射，映射的樣本空間范圍在8×8～64×64的空間鄰域范圍之內，對于第N級線段，由生成元通過如下構造公式進行構造：

lnN/ln(1/r)，其中r為線段相似比；

對于樣本點中的信號經過高階不連續端點后，進行希爾伯特變換處理。