CN119416036A 一种基于卷积神经网络的消防减压阀故障诊断方法 （应急管理部天津消防研究所）

一种基于卷积神经网络的消防减压阀故障本申请提供了一种基于卷积神经网络的消集分别在时间维度和空间维度进行数据重构得减压阀正常状态和异常状态的权重对交叉熵损用所述训练集中的数据使用优化后交叉熵损失函数持续对所述基础消防减压阀故障诊断模型结果调整所述基础消防减压阀故障诊断模型的2获取样本减压阀在正常状态下的正常数据集和所述样本减压阀在故障状态下的故障基于所述正常数据集和所述故障数据集构建基础数据集，所述基础基于Cmor小波变换对所述基础数据集分别在时间维度和空间维度进行数据重构得到基于残差结构图神经网络对所述训练集中的数据进行特征提取得到第一特征提取结获取基础消防减压阀故障诊断模型，所述基础消防减压阀故障诊稠密连接网络模型，所述基础消防减压阀故障诊断模型对应的损失函数为交叉熵损失函基于减压阀正常状态和异常状态的权重对所述交叉熵损失函数进行优化得到优化后利用所述训练集中的数据使用优化后交叉熵损失函数持续对所述基础消防减压阀故基于所述消防减压阀故障诊断模型对减压阀的故分别在时间维度和空间维度进行数据重构得到重构时频图;利用残差结构图神经网络的多路平行网络对所述训练集中的数据进行特征提取得到集中的数据进行特征提取得到第一特征提取结果是3;重对所述交叉熵损失函数进行优化得到优化后交叉熵损失函数是通;;;将待诊断消防减压阀的待诊断数据输入所述消防减压阀故障诊断模型得基于所述诊断数据判断所述待诊断消防减压阀是否出第一获取模块，用于获取样本减压阀在正常状态下的正常数据集和构建模块，用于基于所述正常数据集和所述故障数4重构模块，用于基于Cmor小波变换对所述基础数据集分别在特征提取模块，用于基于残差结构图神经网络对所述训练常状态标签的第一特征提取结果进行特征学第二获取模块，用于获取基础消防减压阀故障诊断模型，所优化模块，用于基于减压阀正常状态和异常状态的训练模块，用于利用所述训练集中的数据使用优化础消防减压阀故障诊断模型的参数，直至达到训练截止条件得到消防减压阀故障诊断模;序被处理器执行时实现如权利要求1_6任意一项所述的基于卷积神经网络的消防减压阀故5[0004]基于上述问题，本申请提供了一种基于卷积神经网络的消防减压阀故障诊断方[0005]本申请提供了一种基于卷积神经网络的消防减压阀故障诊断方法，所述方法包获取样本减压阀在正常状态下的正常数据集和所述样本减压阀在故障状态下的基于Cmor小波变换对所述基础数据集分别在时间维度和空间维度进行数据重构基于残差结构图神经网络对所述训练集中的数据进行特征提取得到第一特征提基于减压阀正常状态和异常状态的权重对所述交叉熵损失函数进行优化得到优6利用所述训练集中的数据使用优化后交叉熵损失函数持续对所述基础消防减压基于所述消防减压阀故障诊断模型对减压阀的故维度和空间维度进行数据重构得到重构时频图是通过;利用残差结构图神经网络的多路平行网络对所述训练集中的数据进行特征提取进行特征提取得到第一特征提取结果是通过如下;叉熵损失函数进行优化得到优化后交叉熵损失函数是通过如;;7;将待诊断消防减压阀的待诊断数据输入所述消防减压阀故障诊断模型得到诊断于异常状态标签的第一特征提取结果进行特征学习后的8;所述处理器用于根据所述计算机程序中的指令执行上述基于卷积神经网络的消本身提供的基于卷积神经网络的消防减压阀故障诊断方法通过结合Cmor小波变[0017]图1为本申请实施例提供的一种基于卷积神经网络的消防减压阀故障诊断方法的图2为本申请实施例提供的一种基于卷积神经网络的消防减压阀故障诊断装置的9消防减压阀故障数据训练出准确率较高的模型成为了取样本减压阀在正常状态下的正常数据集和所述样本减压阀在故障状态下的故障数据集[0022]图1为本申请提供的一种基于卷积神经网络的消防减压阀故障诊断方法流程图，[0023]处理设备获取样本减压阀在正常状态下的正常数据集和所述样本减压阀在故障[0028]处理设备基于Cmor小波变换对基础数据集分别在时间维度和空间维度进行数据;[0033]在一种可能的实现方式中，处理设备可以将重构后所得时频图按照6:4进行数据[0035]处理设备基于残差结构图神经网络对训练集中的数据进行特征提取得到第一特;;[0044]处理设备基于减压阀正常状态和异常状态的权重对交叉熵损失函数进行优化得[0045]为解决不平衡样本故障类别分类困难的问题，本申请基[0046]基于减压阀正常状态和异常状态的权重对所述交叉熵损失函数进行优化得到优;;;[0049]处理设备利用训练集中的数据使用优化后交叉熵损失函数持续对基础消防减压[0053]本身提供的基于卷积神经网络的消防减压阀故障诊断方法通过结合Cmor小波变[0054]本申请还提供了一种如图2所示的基于卷积神经网络的消防减压阀故障诊断装置第一获取模块201，用于获取样本减压阀在正常状态下的正常数据集和所述样本重构模块203，用于基于Cmor小波变换对所述基础数据集分别在时间维度和空间特征提取模块205，用于基于残差结构图神经网络对所述训练集中的数据进行特对应于异常状态标签的第一特征提取结果进行特征学习后的残差优化模块207，用于基于减压阀正常状态和异常状态的权重对所述交叉熵损失函训练模块208，用于利用所述训练集中的数据使用优化后交叉熵损失函数持续对[0055]本身提供的基于卷积神经网络的消防减压阀故障诊断装置通过结合Cmor小波变[0056]本申请实施例还提供了一种基于卷积神经网络的消防减压阀故障诊断设备，其置或者器件使用或者与其结合使用。[0059]计算机可读的信号介质可以包括在基带中或者作为载波[0061]可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网