摘要
本发明公开了一种托辊健康识别方法和系统,该方法包括:采集托辊正常运行的声音数据,并计算得到其对数梅尔频谱图,再利用自注意力机制得到正常的增强频谱图;将增强频谱图作为训练数据,利用基于自编码器生成对抗网络的深度学习模型训练得到托辊正常声音信号的特征;采集待检测的托辊运行声音,根据上述处理过程,得到待检测的增强频谱图,并基于所述自编码器生成对抗网络的深度学习模型,得到待检测声音信号的特征,并与所述待检测声音信号的特征进行比较,得到托辊的健康状态得分。本发明能够在缺少托辊故障样本且无数据标注的情况下准确识别托辊故障,并直观地提供给监管维护人员托辊健康度评分,及时有效地提醒维护人员处理托辊出现的故障。
技术关键词
生成对抗网络
识别方法
注意力机制
深度学习模型训练
编码器
托辊故障
数据
短时傅里叶变换
样本
信号
特征提取模块
音频特征
处理器
频率
识别系统
存储器
程序
系统为您推荐了相关专利信息
模型优化方法
图像
数据
深度学习模型训练
迁移学习策略
神经网络模型
智能预测方法
通道注意力机制
门控循环单元
快照
智能预测方法
焚烧炉
预训练模型
数据
BP神经网络模型