欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202410675763X
申请人: 广东海洋大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种对船舶舵机进行故障诊断的方法,其特征在于,所述方法包括:

采集船舶舵机在正常状态下的多组目标信号以及采集所述船舶舵机在不同故障状态下的多组目标信号,并将每组所述目标信号转换为频域信号;所述目标信号包括:振动信号及电流信号;

基于每组所述目标信号及对应的频域信号确定对称点模式SDP图像的目标转换因子,根据所述目标转换因子将不同状态下的每组目标信号及对应的频域信号转换为对应的SDP图像,得到SDP图像集;

利用所述SDP图像集对构建的深度残差神经网络模型进行训练,以使所述深度残差神经网络模型学习到所述船舶舵机在正常状态下呈现的关键特征和在故障状态下呈现的关键特征;

获取待测船舶电机的待测目标信号,将所述待测目标信号转换为待测频域信号,根据所述待测目标信号和所述待测频域信号转换为待测SDP图像;

利用训练完毕的所述深度残差神经网络模型对所述待测SDP图像进行诊断;其中,所述深度残差神经网络的第一层为卷积神经网络,所述卷积神经网络用于对所述SDP图像集进行卷积运算,增强关键特征提取的能力;所述深度残差神经网络的残差块中引入注意力机制层,所述注意力机制层用于自适应学习所述SDP图像集中每个特征的特征权重,以抑制所述SDP图像集中的若干非关键特征。

2.如权利要求1所述的方法,其特征在于,转换因子包括:时延因子和放大因子;所述基于每组所述目标信号及对应的频域信号确定对称点模式SDP图像的目标转换因子,包括:根据所述时延因子的取值范围以及所述放大因子的取值范围确定时延因子和放大因子的所有取值组合;

针对每种取值组合均进行以下处理:根据所述取值组合将每种状态下的每组目标信号及对应的频域信号转换为参考SDP图像;每种取值组合下的参考SDP图像的数量与状态类型的数量一致;针对所述取值组合下的任意两个参考SDP图像,确定所述两个参考SDP图像的相似度,从而得到多个相似度,将多个相似度的平均值作为所述取值组合对应的基准相似度;

获取所有取值组合的基准相似度,将最小基准相似度对应的取值组合确定为目标取值组合;

根据所述目标取值组合确定所述目标转换因子。

3.如权利要求2所述的方法,其特征在于,所述确定所述两个参考SDP图像的相似度,包括:根据公式确定所述取值组合下第i′个参考SDP图像和第j′个参考SDP图像的相似度Ri′,j′(N,M);其中,所述N为所述第i′个参考SDP图像对应的第一像素值矩阵,所述M为所述第j′个参考SDP图像对应的第二像素值矩阵,所述为所述第一像素值矩阵中所有像素值的平均值,所述为所述第二像素值矩阵中所有像素值的平均值,所述Mmn为所述第一像素值矩阵中第m行第n列对应的像素值,所述Nmn为所述第二像素值矩阵中第m行第n列对应的像素值。

4.如权利要求1所述的方法,其特征在于,所述根据所述目标转换因子将每组目标信号及对应的频域信号转换为对应的SDP图像,包括:针对所述目标信号及所述目标信号的频域信号中的任一信号点,进行以下处理:

根据公式将所述信号点转换为极坐标信号;所述极坐标信号包括:极坐标半径r(i),β沿顺时针旋转的角度θ(i),β沿逆时针旋转的角度φ(i),所述β为镜像对称面旋转角度,所述xi为第i个信号点,所述xmin为所有信号点中幅值最小的信号点,所述xmax为所有信号点中幅值最大的信号点,所述t为所述目标转换因子中的时延因子,所述z为所述目标转换因子中的放大因子,所述xi+t为第i+t个信号点的幅值;

根据各信号点的极坐标将所述每个信号点映射在极坐标轴上,得到所述SDP图像。

5.如权利要求1所述的方法,其特征在于,所述深度残差神经网络模型依次包括:卷积神经网络、第一卷积层、批归一化层BN层、激活函数层、第一池化层、若干残差块、第二池化层和全连接层;

所述卷积神经网络依次包括若干第二卷积层组合及池化层,每个第二卷积层后引入一个激活函数层;所述卷积神经网络用于对输入的所述SDP图像集进行卷积运算,得到第一特征图像;

所述第一卷积层用于对第一特征图像进行卷积运算,得到第二特征图像;

所述BN层用于对第二特征图像进行归一化处理,得到归一化特征图像;

所述激活函数层用于对所述归一化特征图像进行非线性处理,得到非线性归一化特征图像;

所述第一池化层用于降低非线性归一化特征图像的维度,得到非线性归一化特征图像的低维特征图像;

所述若干残差块用于提取低维特征图像中的关键特征图像;

所述第二池化层用于对关键特征图像继续降维操作,得到降维后的关键特征图像;

所述全连接层基于内置的分类函数对各关键特征图像进行分类,得到正常状态的关键特征图像以及故障状态的关键特征图像。

6.如权利要求5所述的方法,其特征在于,残差块包括:卷积层、激活函数层及注意力机制层,每个卷积层后引入一个BN层;其中,所述注意力机制层包括依次包括:平均池化层、深度可分离卷积层和激活函数层;所述注意力机制层的输入特征图像为所述残差块中最后一层BN层的输出特征图像;

所述平均池化层用于对残差块中最后一个BN层输出的特征图像上的每个池化窗口内的像素值进行平均,生成池化特征图像;

所述深度可分离卷积层用于将所述池化特征图像进行分组,形成各组特征图,并生成各组特征图对应的卷积核;分别利用每组特征图的卷积核对相应组特征图进行卷积,得到对应的卷积特征图像;再采用1*1的卷积核对各所述卷积特征积像进行卷积,得到单通道卷积图像;

所述激活函数层用于对所述单通道卷积图像进行非线性处理。

7.如权利要求1所述的方法,其特征在于,所述将所述待测SDP图像输入至训练完毕的所述深度残差神经网络模型中,得到故障诊断结果,包括:利用所述深度残差神经网络模型对所述待测SDP图像进行特征分析,得到多个故障特征值;

利用所述深度残差神经网络模型的故障特征分类器确定各所述故障特征值的概率,根据所述故障特征值的概率输出对应的故障类型。

8.一种对船舶舵机进行故障诊断的装置,其特征在于,所述装置包括:

采集单元,用于采集船舶舵机在正常状态下的多组目标信号以及采集所述船舶舵机在不同故障状态下的多组目标信号,并将每组所述目标信号转换为频域信号;所述目标信号包括:振动信号及电流信号;

第一转换单元,用于基于每组所述目标信号及对应的频域信号确定对称点模式SDP图像的目标转换因子,根据所述目标转换因子将不同状态下的每组目标信号及对应的频域信号转换为对应的SDP图像,得到SDP图像集;

训练单元,用于利用所述SDP图像集对构建的深度残差神经网络模型进行训练,以使所述深度残差神经网络模型学习到所述船舶舵机在正常状态下呈现的关键特征和在故障状态下呈现的关键特征;

第二转换单元,用于获取待测船舶电机的待测目标信号,将所述待测目标信号转换为待测频域信号,根据所述待测目标信号和所述待测频域信号转换为待测SDP图像;

诊断单元,利用训练完毕的所述深度残差神经网络模型对所述待测SDP图像进行诊断,得到故障诊断结果;其中,所述深度残差神经网络的第一层为卷积神经网络,所述卷积神经网络用于对输入的SDP图像集进行卷积运算,增强关键特征提取的能力;所述深度残差神经网络的残差块中引入注意力机制层,所述注意力机制层用于自适应学习所述SDP图像集中每个特征的特征权重,利用所述特征权重实现加权,以抑制所述SDP图像集中的若干非关键特征。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。

10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。