[发明专利]一种基于深度学习的压力仪表引压管智能故障诊断方法

权利要求书

1.一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，包括以下步骤：

S1、获取压力仪表传感器输出的原始压力信号，并进行预处理；

S2，将预处理后的信号截取长度为N个采样点的片段，并将截取后的信号进行线性归一化；

S3，通过连续小波变换将归一化后的信号转换为设定尺寸的灰度图像；

S4，将灰度图像输入训练完成的二维卷积神经网络，获得压力仪表引压管的堵塞状态。

2.根据权利要求1所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述二维卷积神经网络的训练包括以下步骤：

获取压力仪表传感器输出的原始压力信号的历史数据，并进行预处理；

将预处理后的信号截取长度为N个采样点的片段，并将截取后的信号进行线性归一化；

通过连续小波变换将归一化后的信号转换为设定尺寸的灰度图像；

将灰度图片标注分类标签，得到每个灰度图片以及对应的压力仪表引压管的堵塞状态；

将批注的灰度图片输入至二维卷积神经网络进行训练，将引压管堵塞状态信息作为输出，得到训练好的二维卷积神经网络。

3.根据权利要求1或2所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述预处理，包括以下步骤：

通过限幅滤波过滤原始压力信号中的噪点，通过低通滤波去除信号中的高频噪声。

4.根据权利要求1所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述预处理，包括以下步骤：

计算当前采样点与前一个采样点差值的绝对值；

计算该绝对值与前一个采样点的比值；

将该比值与阈值进行比较；

若比值超出阈值，则当前采样点数据采用前三个采样点数据平均值；若当前采样点数据之前的采样点不足三个，则用最近一个采样点数据补充；

若比值未超过阈值，则保留采集得到的数据。

5.根据权利要求1所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述连续小波变换通过下式实现：

其中，t为时间，ψ(t)为小波信号在时域的幅值。

6.根据权利要求1所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述将灰度图像输入训练完成的二维卷积神经网络，获得压力仪表引压管的堵塞状态，包括以下步骤：

将灰度图像输入训练完成的二维卷积神经网络，得到某个样本属于第K类的概率P_k；

根据概率P_k，经函数l(x)确定健康状态，以表示压力仪表引压管的堵塞状态。

7.根据权利要求6所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述某个样本属于第K类的概率P_k；

其中，Z为二维卷积神经网络展平层所输出一维向量，ω为权重，k为各个健康状态的标号，k∈{0,1,2}。

8.根据权利要求7所述的一种基于深度学习的压力仪表引压管智能故障诊断方法，其特征在于，所述根据概率P_k，经函数l(x)确定健康状态：

l(x)表示类别标签，以表示未堵塞、堵塞、完全堵塞。

9.一种基于深度学习的压力仪表引压管智能故障诊断装置，其特征在于，包括：

所述信号处理模块，用于对压力仪表的原始压力信号进行滤波，并截成片段后进行归一化；

所述智能识别模块，用于通过连续小波变换将归一化后的信号转换为设定尺寸的灰度图像，输入至卷积神经网络单元，对压力仪表引压管故障状态进行识别，获得压力仪表引压管的堵塞状态。

10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-8任一项所述的一种基于深度学习的压力仪表引压管智能故障诊断方法。