(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111393045.6 (22)申请日 2021.11.23 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市丹徒区长晖路 666号 (72)发明人 张辉　曹佑忍　吴琦　李俊　 胡中泰　张胜文　方喜峰　朱鹏程　 程德俊　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 张婧 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/10(2020.01) (54)发明名称 一种基于数据驱动 的船用绞机刹车机构故 障诊断方法 (57)摘要 本发明公开了一种基于数据驱动 的船用绞 机刹车机构故障诊断方法， 包括选取压力传感 器， 并将压力传感器安装在绞机刹车机构； 采集 绞机刹车销轴运行过程所受压力信号数据并对 数据进行处理； 构建数据驱动算法模 型得到故障 诊断模型， 并利用故障诊断模型对绞机刹车机构 进行状态 监测并实现故障分类。 本发 明通过数据 处理技术实现对 船舶绞机刹车机构故障诊断， 解 决了传统故障诊断的实时性和准确性问题， 提高 了船用绞机刹车机构运行的安全性。 权利要求书4页 说明书8页 附图2页 CN 114065636 A 2022.02.18 CN 114065636 A 1.一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特 征在于， 包括如下步骤： (1)、 选取压力传感器， 并将压力传感器安装在绞机刹车机构； (2)、 采集 绞机刹车销轴运行 过程所受压力 信号数据并对数据进行处 理； (3)、 构建数据驱动算法模型得到故障诊断模型， 并利用故障诊断模型对绞机刹车机构 进行状态监测并实现故障分类。 2.根据权利要求1所述的一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特 征在于： 所述步骤(1)中压力 传感器选择应变片 压力传感器； 由于刹车力监测载荷轴和刹车 销轴通过刹车螺杆连接， 绞机刹车机构工作时， 作用在上弧形钢 带上的圆周力传递到刹车 力监测载荷轴上， 在刹车力监测载荷轴表面的3时水平方向和6时竖直方向安装应变片 压力 传感器， 且应变片压力传感器安装位置相对垂直， 实现对绞机刹车销轴运行中所受压力进 行状态监测。 3.根据权利要求2所述的一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特 征在于： 所述 步骤(2)中对数据进行处 理的具体方法包括如下步骤： (2.1)、 设置采样参数， 采样参数包括采样频率f1、 采样频率f2、 采样频率f3、 采样时长t ＝10s和采样 间隔Δt＝10ms， 对绞机刹车销轴全生命周期所受压力信号进行采样， 采集绞 机刹车销轴运行过程中不同阶段 的运行数据， 全生命周期运行数据包括正常数据、 轻微故 障数据、 中度故障数据、 重度故障数据， 设置压力采样阈值为Y， 当采样压力值达到Y时， 停止 数据采样； 否则， 继续采样； (2.2)、 将步骤(2.1)中采样结果以数值形式输出并保存， 将应变片压力传感器与PLC控 制器相连接， 刹车销轴在运行过程中， 作用力会传递到刹车力监测载荷轴， 导致刹车轴销产 生变形； 压力 传感器采集到的刹车销轴变形信号， 通过PLC控制器中内置处理程序转换为电 压信号； 输出的电压信号通过A/D转换器进 行转换， 转换后的电压信号按照桥式电路放大输 出压力信号值， 将每次采样输出的数值 以CSV格式保存， 分别对三种不同采样频率进行采 样， 3时方向压力信号放置在CSV文件第一列， 6时方向压力信号放置在CSV文件第二列， 保存 为1.CSV， 以此类 推， 完成数据保存； (2.3)、 利用加权核主成分分析法KPCA对步骤(2.2)中输出数据进行非线性降维得到降 维后的数据， 其中加权核主成分分析是在主成分分析基础上利用核函数思想进行改进， 核 函数采用径向基函数核RBF； 利用核主成分分析法将数据映射到高维空间， 再将映射后的数 据进行非线性降维。 4.根据权利要求3所述的一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特 征在于： 所述 步骤(2.1)中采样频率的设置方法包括如下步骤： (2.1.1)、 绞机刹 车机构标准频率范围为0～500HZ， 绞机刹车机构初始运行时， 压力传 感器采集信号 为正常信号， 通过时域信号图表示， 且信号呈现连续趋势； (2.1.2)、 采样频率由0增加至500Hz时， 每个采样频率对应的采集信号由时域信号表 示， 采样频率在230Hz时， 采样信号出现第一次渐变式跳跃； 采样频率在350Hz时， 采样信号 出现第二次渐 变式跳跃； 采样频率在45 0Hz时， 采样信号出现第三次渐 变式跳跃； (2.1.3)、 通过步骤(2.1.2)得到三种不同采样频率， 分别为采样频率f_1＝230Hz、 采样 频率f_2＝3 50Hz、 采样频率f_3＝ 450Hz。 5.根据权利要求4所述的一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特权　利　要　求　书 1/4 页 2 CN 114065636 A 2征在于： 所述 步骤(2.3)中对数据进行非线性降维的具体方法包括如下步骤： (2.3.1)、 主成分分析是将步骤(2.2)中采集原始数据转换成标准矩阵， 通过计算标准 矩阵协方差得到协方差矩阵， 进而得到协方差矩阵的特征值、 特征向量及贡献率， 选取较大 的贡献率， 根据贡献率大小确定主成分数目； (2.3.2)、 对核函数进行加权处理， 设置核函数标准阈值为g0， 若函数值g大于g0， 表示原 始数据较为分散， 令G＝ε0g， 使得数据由分散趋于聚合， 其中G为加权后的函数值， ε0为大于 标准阈值的权重； 若g小 于g0， 表示原始数据较 为聚合， 令G＝ ε1g， 使得数据由聚合趋于发散， ε1为小于标准阈值的权重； 通过设置权重， 促使原始数据由发散和聚合趋于均和， 得到高质 量降维数据。 6.根据权利要求5所述的一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特 征在于： 所述 步骤(3)中构建数据驱动算法模型 具体方法包括如下步骤： (3.1)、 根据步骤(2)中采集的典型绞机刹车销轴的运行信号， 用深度自编码与循环 门 相结合的DAE ‑GRU神经网络对输入信号进行特征提取， 依据网络结构参数建立初始化故 障 诊断模型； (3.2)、 用测试集对步骤(3.1)中得到故障诊断模型进行测试， 通过Softmax分类器得到 的分类结果与独热编 码标签进 行对比， 判断诊断结果是否一致， 若诊断结果不一致， 则对故 障模型进行修正， 执行步骤(3.3)； 若诊断结果一致， 则输出诊断结果， 得到基于DAE ‑GRU神 经网络绞机刹车机构故障诊断模型； (3.3)、 修正初始化故障诊断模型， 改进DAE ‑GRU神经网络结构相关参数， 相关参数包括 压缩权重和重构误差， 隐藏层中的超参数， 超参数包括激活函数、 分类函数、 迭代次数、 训练 步长、 学习率和误差阈值， 实现初始 化故障诊断模 型的修正， 最 终建立绞机刹车机构的故障 诊断模型并实现故障分类。 7.根据权利要求6所述的一种基于数据驱动的船用绞机刹车机构故障诊断方法， 其特 征在于： 所述 步骤(3.1)中建立初始化故障诊断模型的具体方法包括如下步骤： (3.1.1)、 将步骤(2)中处理的数据进一步划 分为训练集和测试集， 其中70％作为训练 集， 30％作为测试集， 训练集和测试集都包含绞机刹车销轴的正常状态监测数据和故障状 态监测数据， 训练集用于确定故障诊断模型并获得模型参数， 测试集用于验证故障诊断模 型是否满足要求； 采用独热编码对训练集和测试集进行标签处理， 利用0和1表示运行数据 的故障状态， 即使用N位寄存状态器N种状态进行编码， 设置1000为正常状态， 0100为轻微故 障状态， 0 010为中度故障状态， 0 001为重度故障状态； (3.1.2)、 建立DAE ‑GRU神经网络结构， DAE神 经网络由输入层、 隐藏层和输出层进行编 码和解码， 将DAE神经网络隐藏层中全连接层编码网络替换为GRU网络， 组成DAE ‑GRU编码网 络； 编码网络中采用滑动窗口对数据维度进行选择与确定， 滑动窗口数据维度大小根据解 码网络所需数据维度大小自适应变化； 在DAE ‑GRU编码网络结构中， 其隐藏层后加上全连接 层组成解码网络； 在解码网络后加Dropout层， 防止故障诊断模型出现过拟合现象； 并用 Softmax分类 器与DAE‑GRU神经网络结构中隐藏层节点相连， 进行故障分类； (3.1.3)、 建立DAE ‑GRU神经网络模型， 设置步骤(3.1.2)中DAE ‑GRU神经网络结构中隐 藏层层数M为3层以及隐藏层神经元个数N为70； 设置滑动窗口大小Z为1000； 设置DAE ‑GRU神 经网络结构的输出隐藏层与当前隐藏层为别P为3层和Q为2层， 输出隐藏层与当前隐藏层中权　利　要　求　书 2/4 页 3 CN 114065636 A 3