[发明专利]一种基于多通道CNN模型的汽车衡压力传感器故障预警方法

说明书

本发明提供了一种基于多通道CNN模型的汽车衡压力传感器故障预警方法，包括：获取传感器数据、建立二维矩阵、建立二维矩阵和结果输出等步骤，获取一台汽车衡的压力传感器的输出值序列，并进行归一化处理，对该台汽车衡的传感器，按照时间维度进行聚合，建立二维矩阵，并至少包括该传感器输出值矩阵，空间相干传感器组输出值矩阵，以及全部传感器和值矩阵这三个二维矩阵，将二维矩阵输入到基于多通道CNN的故障预测模型中，故障预测模型输出到Softmax中，对结果进行分析，最终输出该传感器预警状态信息，利用深度学习技术，针对汽车衡压力传感器的特点建立相应的模型，解决了当前的监控或预警模型虚警率高，有效性低，无法在实际场合中应用等问题。

技术领域

本发明涉及计重设备的状态预测技术领域，具体涉及一种基于多通道CNN 模型的汽车衡压力传感器故障预警方法。

背景技术

压力传感器是汽车衡的关键器件，一旦某个压力传感器失效，则该台汽车衡将无法正常运行。由于每台汽车衡需要多个压力传感器(6-10个不等，部分设备可能达到16个以上)，因此压力传感器的失效成为了导致汽车衡故障的主要因素。针对该问题，业界一般采用远程监控等方法，对故障设备进行监测报警，这些方法无法进行故障预警。部分研究工作试图对压力传感器进行故障预警，但是传统的故障预警模型和方法如建立传感器的机理模型，或构建知识系统等在实际使用中效果均不理想。

近年来，在更为通用的领域，如针对工业互联网设备，基于深度学习的一些方法被引入以进行故障预测。例如，《基于LSTM循环神经网络工业设备故障预测方法及装置-CN109814527.A》描述了一种将传感器监测数据序列导入到LSTM网络中进行预测分析的方法，《一种基于深度学习的工业互联网设备故障预测方法-CN109828549.A》则首先将数据进行关联规则分析和时间序列分析，再输入到一个CNN+双向LSTM结构中。但是，这些方法不适用于对汽车衡的压力传感器故障预警。首先，LSTM网络是用于预测分析，也就是说，将其应用在该场合下，则会通过压力传感器的一段历史数据序列来预测未来某段时间内该传感器的数值，但是该数值是否表明传感器已发生故障则又成为如前所述的传感器机理模型的问题，从而无法真正彻底地解决故障预警问题；此外，汽车衡的特点进一步使问题复杂化，例如，当汽车衡的秤台发生小幅偏离时，某个或者某几个压力传感器的数值会发生大幅变化，但此时传感器及汽车衡并未发生故障，而采用上述故障预测模型则可能得出错误的结果。

发明内容

本发明实施例提供了一种基于多通道CNN模型的汽车衡压力传感器故障预警方法，利用深度学习技术，针对汽车衡压力传感器的特点建立相应的模型，解决了当前的监控或预警模型虚警率高，有效性低，无法在实际场合中应用等问题。

鉴于上述问题，本发明提出的技术方案是：

一种基于多通道CNN模型的汽车衡压力传感器故障预警方法，包括以下步骤：

S1，获取传感器数据，获取一台汽车衡的压力传感器的输出值序列，并进行归一化处理；

S2，建立二维矩阵，对该台汽车衡的传感器，按照时间维度进行聚合，建立二维矩阵，并至少包括该传感器输出值矩阵，空间相干传感器组输出值矩阵，以及全部传感器和值矩阵这三个二维矩阵；

S3，输入模型，将步骤S2中的多个二维矩阵输入到基于多通道CNN的故障预测模型中；

S4，结果输出，故障预测模型输出到Softmax中，然后对结果进行分析，最终输出该传感器预警状态信息。

作为本发明的一种优选技术方案，所述步骤S1中，对传感器输出值的采集，需要每日定时循环进行。

作为本发明的一种优选技术方案，所述步骤S1中，传感器输出值的采集，需要在没有车辆在秤台上停留时进行，在有车辆长时间在秤台上停留时，选用上一次的输出值代替。