CN119412287A 风机齿轮箱故障图像识别方法和系统 （华能赫章风力发电有限公司）

本发明属于风力发电设备故障诊断技术领2基于专家知识和历史数据进行故障推理得到知识图谱基于场景语义分割的局部自适应图像增强算法、改进的小波包变基于改进的YOLOv5模型和改进的ResNet深度卷积神经网络对预处理多模态数据进行5.根据权利要求4所述的风机齿轮箱故障图像识别方法，其特征在于，所述改进的YOLOv5模型和改进的ResNet深度卷积神经网所述改进的YOLOv5模型采用CSPDarknet53作为骨干网络，引入跨阶段部分连接结构，所述改进的ResNet深度卷积神经网络引入空间和通道注意力机制，识和历史数据进行故障推理得到知识图谱推理结果的基于文本挖掘的半自动本体扩展算法和时序模糊规则推理引擎结合专家知识和历史采用改进的Dempster_Shafer证据理论根据深度学习结果和识图谱推理结果进行故障8.根据权利要求7所述的风机齿轮箱故障图像识别方法，其特征在于，所述改进的所述改进的Dempster_Shafer证据理论引入信息熵和互信息的自适应权重分配机制，权重计算考虑了每个证据源的信息熵和与其他证据源的平34[0005]综上所述，现有风机齿轮箱的故障诊断方法存在准确性不足和诊断不及时的问基于专家知识和历史数据进行故障推理得到知识图谱5家知识和历史数据进行故障推理得到知识图谱推理结果，将专家知识与历史数据相结合，员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范6图像数据采用高分辨率光谱成像系统进行采集，所述声音数据采用声学传感阵列进行采这种算法可以应用于声音数据的处理。它首先使用经验模态分解(EMD)将声音信7基于改进的YOLOv5模型和改进的ResNet深度卷积神经网络对预处理多模态数据基于文本挖掘的半自动本体扩展算法和时序模糊规则推理引擎结合专家知识和应用依存句法分析和模式匹配技术识别概念间基于专家知识编写IF_THEN形式的模糊规8使用Mamdani或Sugeno模糊推理采用改进的Dempster_Shafer证据理论根据深度学习结果和识图谱推理结果进行9所述改进的Dempster_Shafer证据理论引入信息熵和互信息的自适应权重分配机20kHz频率范围。多维振动传感网络在齿轮箱的每个关键部件上安装三轴MEMS加速度传感[0060]自适应图像增强算法首先使用轻量级SegNet网络对图像进行语义分割，识别齿[0062]改进的小波包变换去噪算法首先使用经验模态分解(EMD)将信号分解为多个本征l-1)t·(1+exp(-F(Ixl-A)))和分别是特征图的行索引和列索引；w)=o(w26(w1z2))[0067]其中，sc为通道c的激励权重（即Excitation操作的输出Fex(z,w)为Lrocal=-ae(1-p)"log(p)。1.生成特征图其中freRXW；其中，F为整个特征图，包含所有通道的信息，R为实数集，H为特征图的高度conv7x7为一个7×7的二维卷积操作，Avgpool(F)为对特征图F进行通道维度的平均池3.特征重校准为sigmoid激活函数，将输出映射到(0，1)区间，MLP为多层感知器（Multi_LayerPerceptron这里通常是一个简单的全连接网络；知识图谱推理模块基于专家知识和历史数据进行推理。采用Protégé工具构建基权重分配机制：S5、参见图3，预测性维护决策模块基于诊断结果生成维护建议和预测性维护计量子经典混合计算框架利用量子傅里叶变换加速图像特征提取过程，实现量子主成分分[0080]通过实际应用测试，本平台显著提高了风机齿轮箱故障诊断的准确性和及时优选的，所述局部自适应图像增强算法中的CLAHE算法的对比度限制参数根据图所述云端深度学习分析模块包括改进的YOLOv5模型和改进的ResNet深度卷积神所述知识图谱推理模块采用基于文本挖掘的半自动本体扩展算法和时序模糊规所述多源信息融合诊断模块采用改进的Dempster_Shaf[0092]优选的，所述改进的Dempster_Shafer证据理论引入信息熵和互信息的自适应权优选的，所述人机交互界面模块采用WebGL技术实现齿轮箱3D模型的实时渲染和合诊断模块进一步提