[发明专利]一种基于多源数据的针对起重机械的故障预测方法

权利要求书

1.一种基于多源数据的针对起重机械的故障预测方法，其特征在于，包括如下步骤：

S1、数据采集获得多源多传感器数据；

S2、将获得的多源多传感器数据处理及转换，获取多源多传感器数据的规范数据频谱图；

S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型；

S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果；

其中，所述基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。

2.根据权利要求1所述的预测方法，其特征在于，

所述多源多传感器数据的来源至少包括：多传感器设备数据和安全监控管理系统运行数据的一种或多种；

所述多源多传感器数据至少包括：振动数据、重量数据、高度数据、行程数据、温度数据、电流电流数据和电压数据。

3.根据权利要求1所述的预测方法，其特征在于，

所述步骤S2中的数据处理至少包括数据预处理和数据清洗；

其中，所述数据清洗至少包括：噪声检验、噪声分离、缺失值检测和缺失值补充。

4.根据权利要求1所述的预测方法，其特征在于，

所述步骤S2中的数据转换包括如下步骤：

根据多源多传感器数据固定时间S毫秒内分块，绘成时序波，利用傅里叶变换运算分解时序波，求解各个频带的能量值，进而获取规范数据频谱图。

5.根据权利要求1所述的预测方法，其特征在于，所述方法还包括：在步骤S1之前建立基于深度学习的起重机械故障预测模型。

6.根据权利要求5所述的预测方法，其特征在于，所述基于深度学习的起重机械故障预测模型包括：输入层、n1卷积层、m1采样层、n2卷积层、m2采样层、全连接层和softmax输出层；

所述输入层与所述n1卷积层连接；

所述n1卷积层连接还与所述m1采样层；

所述m1采样层还与所述n2卷积层连接；

所述n2卷积层连接还与所述m2采样层连接；

所述m2采样层还与所述全连接层连接；

所述全连接层还与所述softmax输出层连接。

7.根据权利要求1所述的预测方法，其特征在于，

所述故障预测结果至少包括：金属结构故障、吊索具故障、制动器故障、减速器故障和电气故障的一种或多种。