一种基于深度学习的教室设备运行数据处理方法及系统与流程

本申请涉及深度学习，尤其涉及一种基于深度学习的教室设备运行数据处理方法及系统。

背景技术：

1、在教室设备在线监测领域，为了早期发现投影仪风扇轴承磨损，通常利用振动传感器持续采集风扇运行时的加速度信号，并将裁剪后的样本输入深度卷积神经网络。该网络通过卷积层提取局部时频模式，经过多层最大池化进行下采样，最终通过全连接层输出风扇健康状态的特征向量用于故障判别。这种基于深度学习的监测方式能够有效处理振动信号的高维非线性特征。

2、然而，在教室投影仪常态化连续使用过程中，风扇轴承必然经历从健康到磨损的渐变过程。当风扇轴承处于极早期微观点蚀阶段时，磨损引起的冲击性振动能量远小于风扇正常旋转引起的基频振动及其谐波，在频谱上表现为高频段幅值极低的边频带。深度卷积神经网络在处理此类数据时，其最大池化层在特征图上滑动并进行下采样。由于池化窗口中同时包含基频谐波产生的高激活值区域，池化操作仅保留窗口内的最大值，导致代表早期磨损的微弱激活被直接压制并丢弃。

3、代表早期磨损的微弱特征在特征传递链路中被截断，深层特征图所表征的模式完全由健康状态下的基频及谐波成分主导，输出的特征向量与健康状态高度重叠。现有的常规深度学习模型由于追求平移不变性和鲁棒性，天然包含池化操作，但在面临能量差异巨大的复合信号时，难以兼顾高能量基频与微弱故障先兆的同步表征。这导致模型对风扇早期磨损的挖掘结果始终显示为正常，直到磨损发展到宏观剥落时才会报警。由此产生的一个具体技术问题是：在教室投影仪风扇轴承极早期磨损振动分析场景中，当深度学习模型使用最大池化对卷积特征图进行下采样时，由于磨损引发的微弱高频特征响应被高能量基频特征在池化窗口内完全压制并丢弃，造成模型提取的设备状态特征向量中无法保留早期磨损痕迹，导致对潜在故障的渐进演变规律发生漏检。

技术实现思路

1、本申请提供了一种基于深度学习的教室设备运行数据处理方法及系统，旨在解决现有深度学习模型在处理教室投影仪风扇轴承极早期磨损振动信号时，由于最大池化操作导致微弱高频故障特征被高能量基频特征压制和丢弃，从而无法有效识别早期磨损，造成潜在故障漏检的技术问题。

2、第一方面，为了解决上述技术问题，本发明提供了一种基于深度学习的教室设备运行数据处理方法，该方法包括：对采集的投影仪风扇振动信号进行多尺度一维卷积处理，提取多尺度卷积特征图，多尺度卷积特征图包含表征基频谐波的高能量响应和表征微弱高频冲击的低能量响应；以预设滑动窗口遍历多尺度卷积特征图，根据窗口内激活响应的局部峭度特征和峰值因子特征，区分出微弱异常响应区域和主导正常响应区域，并生成用于指示微弱异常响应区域的第一掩码和用于指示主导正常响应区域的第二掩码；利用第一掩码和第二掩码，分别从多尺度卷积特征图中分离出微弱异常响应部分和主导正常响应部分，对微弱异常响应部分执行第一下采样处理，获得微弱故障先兆特征图，并对主导正常响应部分执行第二下采样处理，获得主导正常背景特征图；第一下采样处理被配置为在压缩维度的同时保留低幅值微弱响应，第二下采样处理被配置为提取局部最显著响应以进行压缩；将微弱故障先兆特征图和主导正常背景特征图进行跨通道融合，生成设备状态特征向量；根据设备状态特征向量，输出包含早期退化评分的设备早期磨损预警信息。

3、第二方面，本申请提供了一种基于深度学习的教室设备运行数据处理系统，该系统包括：第一处理单元，用于对采集的投影仪风扇振动信号进行多尺度一维卷积处理，提取多尺度卷积特征图，多尺度卷积特征图包含表征基频谐波的高能量响应和表征微弱高频冲击的低能量响应；第二处理单元，用于以预设滑动窗口遍历多尺度卷积特征图，根据窗口内激活响应的局部峭度特征和峰值因子特征，区分出微弱异常响应区域和主导正常响应区域，并生成用于指示微弱异常响应区域的第一掩码和用于指示主导正常响应区域的第二掩码；第三处理单元，用于利用第一掩码和第二掩码，分别从多尺度卷积特征图中分离出微弱异常响应部分和主导正常响应部分，对微弱异常响应部分执行第一下采样处理，获得微弱故障先兆特征图，并对主导正常响应部分执行第二下采样处理，获得主导正常背景特征图；第一下采样处理被配置为在压缩维度的同时保留低幅值微弱响应，第二下采样处理被配置为提取局部最显著响应以进行压缩；融合单元，用于将微弱故障先兆特征图和主导正常背景特征图进行跨通道融合，生成设备状态特征向量；输出单元，用于根据设备状态特征向量，输出包含早期退化评分的设备早期磨损预警信息。

4、本申请至少具有以下有益效果：本申请通过多尺度卷积、基于统计特征的区域区分、差异化下采样以及跨通道融合等一系列创新性技术方案，有效解决了现有技术中微弱故障特征被高能量基频特征压制和丢弃的技术难题，实现了对教室设备早期磨损先兆的精确捕捉和预警。与现有技术相比，本申请能够更早、更准确地发现设备潜在故障，避免了传统方法中对早期磨损的漏检，显著提高了设备监测的及时性和有效性，具有显著的进步性和实用价值。

1.一种基于深度学习的教室设备运行数据处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对采集的投影仪风扇振动信号进行多尺度一维卷积处理，提取多尺度卷积特征图，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据窗口内激活响应的局部峭度特征和峰值因子特征，区分出微弱异常响应区域和主导正常响应区域，并生成用于指示所述微弱异常响应区域的第一掩码和用于指示所述主导正常响应区域的第二掩码，包括：

4.根据权利要求3所述的方法，其特征在于，在生成第一掩码和第二掩码之后，所述方法还包括：

5.根据权利要求1所述的方法，其特征在于，所述对所述微弱异常响应部分执行第一下采样处理，包括：

6.根据权利要求1所述的方法，其特征在于，所述将所述微弱故障先兆特征图和所述主导正常背景特征图进行跨通道融合，生成设备状态特征向量，包括：

7.根据权利要求1所述的方法，其特征在于，在生成设备状态特征向量之后，所述方法还包括：

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

9.根据权利要求1所述的方法，其特征在于，所述根据所述设备状态特征向量，输出包含早期退化评分的设备早期磨损预警信息，包括：

10.一种基于深度学习的教室设备运行数据处理系统，其特征在于，包括：