(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210805948.9 (22)申请日 2022.07.08 (71)申请人 武汉爱科 软件技术股份有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区民院路38号龙安 ·港汇城A单元 11层02室 (72)发明人 宋庭新　黄继承　涂麟曦　 (74)专利代理 机构 武汉智汇为专利代理事务所 (普通合伙) 42235 专利代理师 李恭渝 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/28(2019.01)G01D 21/02(2006.01) (54)发明名称 一种使用卷积神经网络的船体结构故障预 测方法 (57)摘要 本发明涉及一种使用卷积神经网络的船体 结构故障预测方法， 包括如下步骤： 数据预处理， 构建卷积神经网络模型， 建立类别信息数据库， 建立故障预测结果数据库， 故障预测。 本发明的 方法利用计算机深度学习能力， 通过卷积神经网 络对信号进行故障分类(包括裂纹、 腐蚀和变 形)， 并能在此分类结果上进一步判断船体结构 故障的严重程度， 能预测故障发生时间， 而且可 以根据预测结果和分类信息找到故障位置， 然后 在将要发生故障的前一段时间进行报修处理， 保 证船舶的及时维修和正常使用。 权利要求书2页 说明书8页 附图6页 CN 115130519 A 2022.09.30 CN 115130519 A 1.一种使用卷积神经网络的船体结构故障预测方法， 其特 征在于， 包括如下步骤： 数据预处 理， 对船体结构检测信号进行 数据预处 理； 构建卷积神经网络模型， 利用大量已知故障类型的预处理后的船体结构检测信号数 据， 进行卷积神经网络的初始训练， 得到卷积神经网络模型； 建立类别信息数据库， 通过将需要检测的预处理后的船体结构检测信号数据， 送入已 初始训练好的卷积神经网络模型， 得到检测信号的类别信息， 从信号的类别信息中找到该 信号对应的检测位置、 信号类型以及船体结构故障类型并存 入数据库中； 建立故障预测结果数据库， 对分类后的类别信 息提取特征值， 并设定阈值， 将阈值分为 若干种健康状况并存 入数据库中； 故障预测， 在完成若干种健康状况的划分后， 判断信号是否为需要报修的故障信号， 若 是， 则提醒报修； 若不是， 则将健康状况非报修的故障的信号送入Neural ‑Prophet模型进行 故障预测， 预测特征值在未来一定时间里 的大小， 并将预测结果中该信号超过需要报修的 故障信号阈值的时间存 入数据库中， 并在预测发生故障的前一段时间提醒报修。 2.根据权利要求1所述的使用卷积神经网络的船体结构 故障预测方法， 其特征在于， 所 述数据预处 理具体是对船体结构检测信号进行去奇异值、 归一 化和小波去噪处理。 3.根据权利要求2所述的使用卷积神经网络的船体结构 故障预测方法， 其特征在于， 所 述构建卷积神经网络模型的初始训练是将预处理后的船体结构检测信号数据送入卷积神 经网络， 由卷积神经网络提取故障特征， 不断更新网络参数， 最 终保存准确率最高的网络参 数， 得到模型的最优解。 4.根据权利要求1所述的使用卷积神经网络的船体结构 故障预测方法， 其特征在于， 所 述类别信息为待 预测的船体检测信号与训练 时所用已知信号的相似度信息， 包含了该信号 的特征， 即信号类别、 健康状况的种类、 在船体的具体位置、 以及故障类型。 5.根据权利要求1所述的使用卷积神经网络的船体结构 故障预测方法， 其特征在于， 所 述去奇异值、 归一化和小波去噪是将原始的船体结构检测信号中突出的毛刺信号进行删除 或置换以去除奇异值， 并且归一化将信号幅值平移至至 ‑0.5到0.5之间； 选择合适的小波将 时域信号通过离散小波变换方法， 将信号分解到小波域可以得到其低频信息和高频信息， 对高频信息中大于某 一阈值的信号置零处理， 再将处理后的高频信息与低频信息重构成新 的去噪后的信号。 6.根据权利要求1所述的使用卷积神经网络的船体结构 故障预测方法， 其特征在于， 所 述构建卷积神经网络模型， 模型为13层神经网络， 包括卷积层 →激活层→卷积层→激活层 →池化层→卷积层→激活层→卷积层→激活层→池化层→全连接层 →dropout层→全连接 层； 模型主要依靠卷积层的卷积核对数据进行 卷积操作提取 特征， 卷积计算方法如下： 假设具有输入大小(N， Cin， L)和输出(N， Cout， Lout)的图层的输出值可以精确地描述 为： 其中，★是求卷积， N是批次大小， C表示 通道数， L是信号序列的长度；权　利　要　求　书 1/2 页 2 CN 115130519 A 2即原始数据经卷积层会得到新的数据向量， 这个数据向量即为该数据的模糊特征向 量， 当经过不断的网络参数更新即对上式的权重weight和偏置bias更新， 该模糊特征向量 会变得清晰即靠 近真实特 征； 激活层和池化层的主要作用是筛选卷积核提取的特征； 激活层通过Relu函数， 将小于 零的特征置零； 池化层通过最大池化方法将数据压缩除去较小的特 征； 全连接层的作用是将特征数据维度转化成目标数据维度， 若船体结构信号有N种类别， 则最后设置N个神经元， 为了保证信息不大量丢失， 模型中设置了两个全连接层， 并且在之 间插入dropout层随机失活一些神经元以保证充分训练全连接神经元参数； 全连接函数如 下： y＝wAT+b， 其中T表示矩 阵转置， A为特征向量， 一般w表示权重， b表示偏执， y为输出向 量； 当船体结构信号经过13层神经网络之后， 得到信号在各个类别的可能性， 将得到的最 大可能性类别与实际类别比较， 计算损失值， 通过优化器进 行网络参数优化， 传 入下一批数 据， 便完成一次训练； 神经网络在经 过多次训练后其权 重和偏执参数 可达到最优解。 7.根据权利要求1所述的使用卷积神经网络的船体结构 故障预测方法， 其特征在于， 所 述对分类后的类别 信息提取 特征值具体是提取RMS特 征值， RMS特 征值计算公式如下： 其中， Xrms代表X特征值的RMS值， X特征值表示一个数据文件中所有点的基本特征， i代 表一个文件里的所有数据点的序号， N 值为自然数。权　利　要　求　书 2/2 页 3 CN 115130519 A 3