深度学习算法的机电设备工作状态检测

发布时间：2021-01-20 16:47

　　机电设备属于施工过程里的核心设备,由于操作、加工等环境因素会导致零部件发生磨损或者故障问题,所以,设备保持正常的工作状态才可以保证企业正常的生产。为此,提出基于深度学习算法的机电设备工作状态检测方法,通过小波去噪方法在监测的机电设备运行数据里去除噪声部分,获取机电设备工作状态原始数据,基于该数据,采用基于深度学习算法的机电设备工作状态检测方法,判断机电设备工作状态故障与否。实验结果表示,所提方法不受机电类型的约束,不同检测目标下,检测效果较好,且在噪声的干扰下,该方法对机电设备工作状态查准率高达98.99%,检测性能高于对比方法。 

【文章来源】：电子测量技术. 2020,43(11)

【文章页数】：5 页

【部分图文】：

深度学习网络模型

将测试指标依次设成主机故障识别率、检测漏检率以及误检率。测试结果如图2～4所示:分析图2～4可知,多次测试下,本文方法对船舶主机故障识别率最大值高达0.98、漏检率仅有0.02、误检率最大值仅有0.02,基于Web GIS的船舶机电设备运行状态监测方法以及基于支持向量机的机电设备状态检测方法的识别率低于本文方法,漏检率与误检率高于本文方法。则本文方法在检测船舶主机工作状态时,检测效果较好。图3 故障漏检率的测试结果

故障漏检率的测试结果

【参考文献】：
期刊论文
[1]基于深度学习的木材表面缺陷图像检测[J]. 陈献明,王阿川,王春艳.  液晶与显示. 2019(09)
[2]基于深度学习的SDN恶意应用的检测方法[J]. 池亚平,余宇舟,杨建喜.  计算机工程与设计. 2019(08)
[3]面向视觉检测的深度学习图像分类网络及在零部件质量检测中应用[J]. 刘桂雄,何彬媛,吴俊芳,林镇秋.  中国测试. 2019(07)
[4]基于深度学习的红外图像遮挡干扰检测方法[J]. 梁杰,李磊,任君,齐航,周红丽.  兵工学报. 2019(07)
[5]基于物联网的煤矿机电设备智能管理平台设计[J]. 刘振华,徐绪堪.  工矿自动化. 2019(04)
[6]基于深度学习的织物缺陷在线检测算法[J]. 王理顺,钟勇,李振东,贺宜龙.  计算机应用. 2019(07)
[7]基于深度学习的目标检测框架进展研究[J]. 寇大磊,权冀川,张仲伟.  计算机工程与应用. 2019(11)
[8]基于AlexNet深度学习网络的串联故障电弧检测方法[J]. 余琼芳,黄高路,杨艺,孙岩洲.  电子测量与仪器学报. 2019(03)
[9]基于深度学习的输变电设备异常发热点红外图片目标检测方法[J]. 刘云鹏,裴少通,武建华,纪欣欣,梁利辉.  南方电网技术. 2019(02)
[10]基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 胡茑庆,陈徽鹏,程哲,张伦,张宇.  机械工程学报. 2019(07)



本文编号：2989407