买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉爱科软件技术股份有限公司

摘要：本发明涉及一种使用卷积神经网络的船体结构故障预测方法，包括如下步骤：数据预处理，构建卷积神经网络模型，建立类别信息数据库，建立故障预测结果数据库，故障预测。本发明的方法利用计算机深度学习能力，通过卷积神经网络对信号进行故障分类包括裂纹、腐蚀和变形，并能在此分类结果上进一步判断船体结构故障的严重程度，能预测故障发生时间，而且可以根据预测结果和分类信息找到故障位置，然后在将要发生故障的前一段时间进行报修处理，保证船舶的及时维修和正常使用。

主权项：1.一种使用卷积神经网络的船体结构故障预测方法，其特征在于，包括如下步骤：数据预处理，对船体结构检测信号进行数据预处理；构建卷积神经网络模型，利用大量已知故障类型的预处理后的船体结构检测信号数据，进行卷积神经网络的初始训练，得到卷积神经网络模型；建立类别信息数据库，通过将需要检测的预处理后的船体结构检测信号数据，送入已初始训练好的卷积神经网络模型，得到检测信号的类别信息，从信号的类别信息中找到该信号对应的检测位置、信号类型以及船体结构故障类型并存入数据库中；建立故障预测结果数据库，对分类后的类别信息提取特征值，并设定阈值，将阈值分为若干种健康状况并存入数据库中；故障预测，在完成若干种健康状况的划分后，判断信号是否为需要报修的故障信号，若是，则提醒报修；若不是，则将健康状况非报修的故障的信号送入Neural-Prophet模型进行故障预测，预测特征值在未来一定时间里的大小，并将预测结果中该信号超过需要报修的故障信号阈值的时间存入数据库中，并在预测发生故障的前一段时间提醒报修；所述数据预处理具体是对船体结构检测信号进行去奇异值、归一化和小波去噪处理；所述构建卷积神经网络模型，模型为13层神经网络，包括卷积层→激活层→卷积层→激活层→池化层→卷积层→激活层→卷积层→激活层→池化层→全连接层→dropout层→全连接层；模型主要依靠卷积层的卷积核对数据进行卷积操作提取特征，卷积计算方法如下：假设具有输入大小N，Cin，L和输出N，Cout，Lout的图层的输出值可以精确地描述为： 其中，★是求卷积，N是批次大小，C表示通道数，L是信号序列的长度；即原始数据经卷积层会得到新的数据向量，这个数据向量即为该数据的模糊特征向量，当经过不断的网络参数更新即对上式的权重weight和偏置bias更新，该模糊特征向量会变得清晰即靠近真实特征；激活层和池化层的主要作用是筛选卷积核提取的特征；激活层通过Relu函数，将小于零的特征置零；池化层通过最大池化方法将数据压缩除去较小的特征；全连接层的作用是将特征数据维度转化成目标数据维度，若船体结构信号有N种类别，则最后设置N个神经元，为了保证信息不大量丢失，模型中设置了两个全连接层，并且在之间插入dropout层随机失活一些神经元以保证充分训练全连接神经元参数；全连接函数如下：y＝wAT+b，其中T表示矩阵转置，A为特征向量，一般w表示权重，b表示偏执，y为输出向量；当船体结构信号经过13层神经网络之后，得到信号在各个类别的可能性，将得到的最大可能性类别与实际类别比较，计算损失值，通过优化器进行网络参数优化，传入下一批数据，便完成一次训练；神经网络在经过多次训练后其权重和偏执参数可达到最优解；所述对分类后的类别信息提取特征值具体是提取RMS特征值，RMS特征值计算公式如下： 其中，Xrms代表X特征值的RMS值，X特征值表示一个数据文件中所有点的基本特征，i代表一个文件里的所有数据点的序号，N值为自然数。

全文数据：

权利要求：

百度查询： 武汉爱科软件技术股份有限公司 一种使用卷积神经网络的船体结构故障预测方法