[发明专利]基于物联网的高压氧舱远程故障诊断与运维方法及系统

权利要求书

1.基于物联网的高压氧舱远程故障诊断与运维方法，其特征在于，包括以下步骤：

通过云端服务器存储高压氧舱的运行参数和传感器测量数据，获取高压氧舱的云端源信号；

对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算，滤除所述云端源信号的正脉冲噪声；

对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算，滤除所述云端源信号的负脉冲噪声；

获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值，得到滤除脉冲噪声的云端源信号；

利用奇异值分解滤除所述云端源信号的随机噪声，对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值；

利用故障树对高压氧舱进行故障定位，通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器，通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维；

采用形态滤波和奇异值分解相结合的办法去除高压氧舱故障信号中的噪声成分，然后进行集合经验模态分解；利用故障树对智能高压氧舱的各种故障进行故障的准确定位，再利用深度学习-深度卷积自编码的方法，基于提取的高压氧舱云端数据的多源信号特征，训练智能高压氧舱故障分类器；

通过卷积自编码器输入高压氧舱多源数据特征进行逐层编码将抽象特征进行逐步提取，以高压氧舱当前使用状态为起点，当高压氧舱接收激励信号时进行云端源信号采集获得特征参数，利用实时监测参数结合高压氧舱的结构特性、参数、环境条件及运行历史，分析高压氧舱故障发展趋势及后果并向用户提出警告，并评估高压氧舱的健康状态或剩余使用寿命；所述集合经验模态分解将高斯白噪声加入云端源信号进行多次分解，把云端源信号分解成若干个包含不同尺度信号分量的本征模态函数。

2.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法，其特征在于，云端服务器通过构建测量数据帧进行卷积计算，并利用深度学习的网络结构对高压氧舱故障特征提取和分类；高压氧舱根据监测参数是否偏离预设参数判断设备运行情况，显示包括故障发生时间、故障类型和故障描述的故障报警信息。

3.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法，其特征在于，对高压氧舱易损件的更换时间和剩余使用寿命进行记录，当所述易损件达到更换期限时通过所述云端服务器反馈给维修方，反馈给维修方的信息包括易损件型号、易损件用户和用户地址。

4.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法，其特征在于，对所述云端服务器的测量数据进行权限分配，拥有不同权限的人员或机构获取不同种类的测量数据，将所述测量数据发送到监管部门进行监管。

5.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法，其特征在于，所述形态滤波通过结构元素探测目标信号的位置，获取目标信号的几何形状信息以及信号关系提取信号特征。

6.基于物联网的高压氧舱远程故障诊断与运维系统，采用如权利要求1至5任一项的基于物联网的高压氧舱远程故障诊断与运维方法，其特征在于，包括：

云端服务器，用于存储高压氧舱的运行参数和传感器测量数据提供高压氧舱的云端源信号；

正脉冲噪声滤除模块，用于对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算，滤除所述云端源信号的正脉冲噪声；

负脉冲噪声滤除模块，用于对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算，滤除所述云端源信号的负脉冲噪声；

均值模块，用于获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值，得到滤除脉冲噪声的云端源信号；

随机噪声滤除模块，用于利用奇异值分解滤除所述云端源信号的随机噪声，对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值；

故障定位模块，用于利用故障树对高压氧舱进行故障定位；

故障训练模块，用于通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器；

故障诊断模块，用于通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。