权利要求书： 1.一种基于边云协同的刮板输送机状态监测及故障诊断方法，其特征在于，包括：
将标定状态类型和故障类型的刮板输送机多源监测数据，按预设数据点长度截取并转化为二维图像数据，将二维图像数据按比例划分训练集和测试集；
搭建分布式神经网络模型(DDNN)；其中，所述分布式神经网络结构分为边缘侧网络模型和云侧网络模型，边缘侧网络模型包括两个卷积层，两个批归一化层，一个BoF层，一个全连接层，采用ReLU激活函数；云侧网络模型包括四个卷积层，四个批归一化层，一个自适应平均池化层，一个全连接层，采用ReLU激活函数；
将作为训练集的二维图像数据输入至所述分布式神经网络模型中，调节网络参数与函数，至输出的结果为准确故障状态和类型结果为止，训练完成后将作为测试集的二维图像数据输入分布式神经网络模型中，验证分布式神经网络模型的诊断准确性；
实时获取刮板输送机的监测数据，经数据转换后输入训练好的分布式神经网络模型的边缘侧网络模型中，若边缘侧网络模型出口的置信度小于预设阈值，则将边缘侧网络模型出口输出的结果作为刮板输送机状态监测及故障诊断结果；
若边缘侧网络模型出口的置信度大于等于预设阈值时，将该监测数据输入到云侧网络模型中，将云侧模型的输出结果与边缘侧模型输出结果进行整合作为刮板输送机状态监测及故障诊断结果。
2.根据权利要求1所述的基于边云协同的刮板输送机状态监测及故障诊断方法，其特征在于，所述刮板输送机监测数据包括刮板输送机机头和机尾电机输出电流、刮板输送机机头和机尾电机转速。
3.根据权利要求1所述的基于边云协同的刮板输送机状态监测及故障诊断方法，其特征在于，刮板输送机的状态和故障形式包括轻负荷启动、重负荷启动、未正常启动、机头机尾电机启动不一致、机头机尾电机停止不一致、刮板输送机链条卡住及正常状态。
4.根据权利要求1所述的基于边云协同的刮板输送机状态监测及故障诊断方法，其特征在于，在将刮板输送机多源监测数据按预设数据点长度截取并转化为二维图像数据的步骤中，转化过程计算公式为：
其中，P表示二维图像的像素强度，L表示数据的值，
K表示二维图像的单边尺寸。
5.根据权利要求1所述的基于边云协同的刮板输送机状态监测及故障诊断方法，其特征在于，训练分布式神经网络的边缘侧网络模型的步骤包括：
图像特征提取，将作为训练集的二维图像数据输入边
声明：
“基于边云协同的刮板输送机状态监测及故障诊断方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
1160
编辑：中冶有色网
来源：太原理工大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
2025年06月13日 ~ 15日 
