權利要求書： 1.一種基于邊云協同的刮板輸送機狀態監測及故障診斷方法，其特征在于，包括：
將標定狀態類型和故障類型的刮板輸送機多源監測數據，按預設數據點長度截取并轉化為二維圖像數據，將二維圖像數據按比例劃分訓練集和測試集；
搭建分布式神經網絡模型(DDNN)；其中，所述分布式神經網絡結構分為邊緣側網絡模型和云側網絡模型，邊緣側網絡模型包括兩個卷積層，兩個批歸一化層，一個BoF層，一個全連接層，采用ReLU激活函數；云側網絡模型包括四個卷積層，四個批歸一化層，一個自適應平均池化層，一個全連接層，采用ReLU激活函數；
將作為訓練集的二維圖像數據輸入至所述分布式神經網絡模型中，調節網絡參數與函數，至輸出的結果為準確故障狀態和類型結果為止，訓練完成后將作為測試集的二維圖像數據輸入分布式神經網絡模型中，驗證分布式神經網絡模型的診斷準確性；
實時獲取刮板輸送機的監測數據，經數據轉換后輸入訓練好的分布式神經網絡模型的邊緣側網絡模型中，若邊緣側網絡模型出口的置信度小于預設閾值，則將邊緣側網絡模型出口輸出的結果作為刮板輸送機狀態監測及故障診斷結果；
若邊緣側網絡模型出口的置信度大于等于預設閾值時，將該監測數據輸入到云側網絡模型中，將云側模型的輸出結果與邊緣側模型輸出結果進行整合作為刮板輸送機狀態監測及故障診斷結果。
2.根據權利要求1所述的基于邊云協同的刮板輸送機狀態監測及故障診斷方法，其特征在于，所述刮板輸送機監測數據包括刮板輸送機機頭和機尾電機輸出電流、刮板輸送機機頭和機尾電機轉速。
3.根據權利要求1所述的基于邊云協同的刮板輸送機狀態監測及故障診斷方法，其特征在于，刮板輸送機的狀態和故障形式包括輕負荷啟動、重負荷啟動、未正常啟動、機頭機尾電機啟動不一致、機頭機尾電機停止不一致、刮板輸送機鏈條卡住及正常狀態。
4.根據權利要求1所述的基于邊云協同的刮板輸送機狀態監測及故障診斷方法，其特征在于，在將刮板輸送機多源監測數據按預設數據點長度截取并轉化為二維圖像數據的步驟中，轉化過程計算公式為：
其中，P表示二維圖像的像素強度，L表示數據的值，
K表示二維圖像的單邊尺寸。
5.根據權利要求1所述的基于邊云協同的刮板輸送機狀態監測及故障診斷方法，其特征在于，訓練分布式神經網絡的邊緣側網絡模型的步驟包括：
圖像特征提取，將作為訓練集的二維圖像數據輸入邊
聲明：
“基于邊云協同的刮板輸送機狀態監測及故障診斷方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究，如用于商業用途，請聯系該技術所有人。
我是此專利(論文)的發明人(作者)
1166
編輯：中冶有色網
來源：太原理工大學
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年06月20日 ~ 22日 
