龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
摘要：本发明公开了一种基于改进深度学习模型的制冷机组故障检测方法；该方法采用LOF算法剔除故障数据集中离群值，而后采用ADASYN技术来解决数据不平衡问题。同时，本发明针对现有制冷机组故障诊断深度学习模型容易出现网络退化，且制冷机组故障诊断模型普遍缺乏对关键特征的权重加权的问题；首先以ResNet为基础，缓解深度神经网络训练过程中易出现的网络性能退化问题；然后融入CBAM用于捕捉故障数据中的关键特征，提高网络的特征提取能力。实验结果表明，本发明提供的LOF‑ADASYN‑ResNet‑CBAM方法实现了制冷机组故障的有效诊断。
主权项：1.一种基于改进深度学习模型的制冷机组故障检测方法，其特征在于：包括以下步骤：步骤一、获取正常运行状态下和不同故障类型状态下制冷机组的运行参数，作为数据集；步骤二、采用局部离群因子算法检测数据集中的局部离群点并剔除，而后采用自适应合成抽样算法扩充数据集；步骤三、对数据集进行归一化预处理；步骤四、构建故障检测模型；故障检测模型包括ResNet模块和CBAM模块；ResNet模块包括依次相连的三个残差块；每个残差块均引入有Dropout层；Dropout层以丢弃率随机关闭自身相连的1DCNN层的部分神经元；残差块的输入与Dropout层的输出恒等映射相加，作为残差块的输出；ResNet模块的输出作为CBAM模块的输入；CBAM模块包括依次相连的通道注意力模块和空间注意力模块；在空间注意力模块中，对通道注意力模块输出的通道注意力权重，在每个特征点的通道上进行最大池化和平均池化，分别得到特征图、；对特征图、进行基于通道的拼接，所得特征进行三个不同尺度的卷积运算；三个卷积运算结果进行融合并激活；三个不同尺度的卷积运算的卷积核大小n1、n2、n3满足以下约束条件：，；CBAM模块的输出特征输入到全连接层；利用步骤二所得数据集训练故障检测模型；步骤五、将被测制冷机组的参数输入到故障检测模型中，判断被测制冷机组是否存在故障，以及故障的类型。
全文数据：
权利要求：
百度查询： 杭州电子科技大学 一种基于改进深度学习模型的制冷机组故障检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号