[发明专利]基于神经网络的智能机箱监控方法、系统及存储介质

说明书

本发明公开了一种基于神经网络的智能机箱监控方法、系统及存储介质，涉及机箱数据处理技术领域。具体步骤包括如下：实时获取机箱的运行数据；将所述运行数据输入到卷积神经网络故障诊断模型中，得到机箱故障类型；把所述机箱故障类型上传至云端专家系统，得到故障解除方案。本发明所提出的故障诊断模型均由卷积神经网络构成，自适应的提取故障特征的同时将故障特征提取和故障类型识别融合为一个整体，可直接基于原始数据实现诊断结果的端到端输出，提升了故障诊断的效率。

技术领域

本发明涉及机箱数据处理技术领域，更具体的说是涉及一种基于神经网络的智能机箱监控方法、系统及存储介质。

背景技术

公路网联智能机箱能够实现监测摄像机、电子警察、卡口、交通信号灯、存储器、补光灯等网联及非网联设备的供电状态和网络状态，对异常情况实时报警。随着科技的发展，智能机箱的应用越来越普及，而对于智能机箱本身的监控与故障诊断也显而越来越重要。

现有技术中，一般采用串行检测的方式对机箱进行检测，当检测到机箱故障，需要将故障上报处理后才可以再次对机箱进行检测，也可以理解为采用一个线程对机箱故障进行检测，这种故障处理的方式，效率较低，同时准确率不高。而基于信号分析的故障诊断方法来确定故障类型，通过检测故障相关的振动成分或者特征频率，来确定故障类型。然而，对于大型旋转机械，其振动信号往往是由许多不同的振动信号混叠而成的，更重要地，当故障处于早期阶段的时候，故障相关的振动成分往往是比较微弱的，容易被其他的振动成分和谐波所淹没。总而言之，传统故障诊断方法诊断效率低且准确率不高。

近年来，深度学习法成为了故障诊断的有力工具，而将其应用在智能机箱领域还鲜有研究。因此，如何基于神经网络进行机箱监控进而提高故障处理的效率和准确率，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于神经网络的智能机箱监控方法、系统及存储介质，基于神经网络进行机箱监控提高了故障处理的效率和准确率。

为了实现上述目的，本发明采用如下技术方案：一方面，提供一种基于神经网络的智能机箱监控方法，其特征在于，具体步骤包括如下：

实时获取机箱的运行数据；

将所述运行数据输入到卷积神经网络故障诊断模型中，得到机箱故障类型；

把所述机箱故障类型上传至云端专家系统，得到故障解除方案。

可选的，所述卷积神经网络故障诊断模型的构建过程为：

采集智能机箱各工况状态下的实验数据，并根据所述实验数据获取各工况下的特征值指标数据，将所述特征值指标数据分为训练集和测试集；

构建BP神经网络模型，利用所述训练集训练所述BP神经网络模型，将所述特征值指标数据作为输入变量，机箱工况类型作为输出变量；

根据输入变量、输出变量的数据矩阵维度确定所述BP神经网络模型的网络输入层神经元个数、输出层神经元个数，隐含层神经元个数通过先设定一个初始值来进行训练，设定网络训练参数，训练后计算出均方误差，若小于期望误差，训练完成，否则，重新训练；

利用所述测试集测试训练完成的BP神经网络模型，获得卷积神经网络故障诊断模型。

可选的，所述运行数据包括电流、温湿度、电源中的一种或几种。

可选的，还包括对所述特征值指标数据进行归一化处理。

可选的，还包括对所述机箱故障类型进行分等级预警，预警等级共分为三级，级数越大，危险程度越高。

可选的，所述特征值指标数据包括波形指标、峰值指标、脉冲指标。

另一方面，提供一种基于神经网络的智能机箱监控系统，包括依次连接数据采集模块、故障分析模块、故障解决模块；其中，