本发明属于煤矿传输带皮带故障诊断，具体涉及基于mobilenetv2和tensorflowlite的故障诊断方法。
背景技术：
1、煤矿传输带皮带是煤矿开采和运输系统的重要组成部分，其运行状态直接关系到整个生产系统的效率和安全。传统的传输带皮带故障诊断方法主要依赖于人工巡检和信号处理技术。这些方法存在许多不足之处。
2、1.人工巡检的局限性：人工巡检需要大量人力资源，且由于煤矿环境恶劣，巡检过程存在较大的安全风险。人工巡检的频率和时间间隔有限，难以及时发现故障，可能导致设备长时间运行在异常状态，从而造成严重后果。
3、2.信号处理技术的局限性：信号处理技术依赖于对故障特征的先验知识，难以应对复杂多变的故障模式。传统的信号处理方法对数据的处理和分析能力有限，难以从大规模数据中提取有效的故障信息。
4、3.煤矿环境的特殊性：煤矿环境复杂多变，传输带皮带的工作条件恶劣，易受到粉尘、湿气和高温等因素的影响，增加了故障诊断的难度。传输带皮带运行速度快，故障发生后可能在短时间内扩散，造成大面积设备损坏和停产。
5、随着工业自动化和智能化的发展，基于深度学习的故障诊断方法逐渐成为研究热点，通过自动化监测和智能分析，实现对传输带皮带故障的实时检测和诊断。mobilenetv2作为一种轻量化的卷积神经网络模型，具有较低的计算复杂度和较高的识别精度，非常适合在资源受限的嵌入式设备上部署。而tensorflow lite是tensorflow的轻量级版本，专为移动和嵌入式设备设计，能够在低功耗设备上高效运行。
技术实现思路
1、本发明的目的是提供一种基于mobilenetv2和tensorflow lite的煤矿传输带皮带故障诊断方法，通过训练mobilenetv2模型进行故障分类，并将其转换为tensorflowlite格式，以便在嵌入式设备上高效运行。
2、为了达到上述目的，本发明采用的技术方案为，包括以下步骤：
3、s1、首先进行数据预处理，收集煤矿传输带皮带运行过程中产生的图像数据，存储为.mat格式文件；
4、s2、其次构建mobilenetv2模型，basemodel＝mobilenet2(weight＝none,include_top＝false,input_shape＝(h,w,c))其中，h表示图像的高度，w表示图像的宽度，c表示图像的通道数；
5、s3、然后改进全局池化层，采用了一种加权的池化策略，其中每个像素的权重根据其在特征图中的位置进行调整；
6、s4、接着添加全连接层x＝dense(1024,actication＝'relu')(x)其中，dense表示全连接层，1024是这个全连接层的神经元数量，relu表示使用的激活函数；
7、s4、随后改进输出层，引入动态注意力机制和多任务学习，提高模型对重要特征的捕捉能力；
8、s5、最后为了进一步提高模型的性能，对损失函数进行的改进，结合多任务学习和注意力机制，引入新的损失项来提升模型的鲁棒性和泛化能力。
9、作为优选，所述数据预处理的方式为使用python中的scipy.io库加载.mat文件，进行数据预处理，包括归一化处理和训练集、验证集的划分，数据归一化处理为其中，xi表示第i张图像，μ表示数据集的均值，σ表示数据集的标准差。
10、作为优选，其特征在于，所述改进的全局池化层对于输入特征图f，其尺寸为h×w×c，改进的加权平均池化层的输出为：其中，gc表示第c个通道的池化输出，wij表示位置(i,j)的权重，fijc表示第c个通道在位置(i,j)的特征值，中心区域的重要性通常较高，采用高斯分布加权方式进行对wij赋值。
11、作为优选，其特征在于，所述步骤s4改进输出层的改进步骤为：
12、s41、首先引入注意力机制，动态注意力机制通过为输入特征赋予不同的权重，使模型能够集中注意重要的特征，从而提高分类性能，改进的输出层包括注意力权重计算和加权求和；
13、s42、其次计算注意力权重其中，hi表示第i个特征，wh和bh为权重矩阵和偏置项，αi为注意力权重；
14、s43、然后进行加权求和其中，υ为加权后的特征向量；
15、s44、接着进行多任务学习，在输出层引入多任务学习，除了分类任务,加入了回归任务或其他辅助任务，以提高模型的泛化能力；
16、s45、最后输出层的结构表示为x＝dorpout(0.5)(υ)，classififcation_output＝dense(num_classes，activation＝'softmax')(x)，regression_output＝dense(1,activation＝'leaner')(x)构建的最终模型为：model＝model(input＝base_model.input，output＝[classification_output，regression_output])。
17、作为优选，损失函数的改进是分为以下部分，假设分类任务的输出为真实标签为y，回归任务的输出为真实值为r，注意力权重为α，模型参数为θ；
18、部分一、分类误差使用加权交叉熵损失其中，n是样本数量，i是第i个样本的索引，wi是第i个类的权重，yi第i个样本的真实标签，第i个样本的预测标签；回归误差采用huber损失：其中，δ是huber损失的超参数，控制损失函数的转换点，控制损失函数的转换点，第i个样本的预测值，ri是第i个样本的真实值；
19、部分二、采用正则化项，引入l1-l2混合正则化，防止过拟合并提高稀疏性其中，λ1和λ2分别是l1和l2正则化项的权重，θj是模型的第j个参数；
20、部分三、采用注意力一致性的损失，确保不同任务之间的注意力机制一致其中，n是注意力机制中的维度数量，和分别为任务1和任务2的第i个样本在第j维度的注意力权重；
21、部分四、采用对抗性训练损失，引入对抗性样本训练其中，是对抗性样本的预测标签；
22、部分五、采用熵正则化项，引入输出熵的正则化其中，c是类别数量，是第i个样本在第j类别的预测概率；
23、部分六、采用标签平滑技术，减少模型对训练数据的过拟合其中，是平滑标签的参数，k是类别数；
24、综合部分一到部分六，综合损失函数为γ＝β1γweighted_classification+β2γhuber_regression+β3γl1l2_regularization+β4γattention_consistency+β5γadversarial
25、+β6γentropy+β7γlabel_smoothing其中，β1到β7是权重系数，用于平衡各项损失，对于权重系数的调整，通过对每个损失项的标准差进行归一化，来动态调整其权重系数，使得所有损失项对总损失的贡献更加平衡其中，σ(γi)为第i个损失项的标准差，βi为该损失项的动态权重系数。
26、与现有技术相比，本发明的优点和积极效果在于：
27、1、提高故障检测的准确性和及时性：通过深度学习模型自动提取故障特征，实现对传输带皮带故障的高精度识别和实时诊断。
28、2、降低人工巡检和维护成本：利用嵌入式设备进行自动监测和故障诊断，减少对人工巡检的依赖，降低人力成本和安全风险。
29、3、增强系统的稳定性和安全性：通过实时监测和早期预警，及时发现和处理传输带皮带故障，防止故障扩散和设备损坏，保障系统的稳定运行。
30、4、适应煤矿复杂环境的需求：采用轻量化的mobilenetv2模型和高效的tensorflow lite框架，确保在煤矿恶劣环境下嵌入式设备的可靠运行。
1.基于mobilenetv2和tensorflow lite的煤矿传输带皮带故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于mobilenetv2和tensorflow lite的煤矿传输带皮带故障诊断方法，其特征在于，所述数据预处理的方式为使用python中的scipy.io库加载.mat文件，进行数据预处理，包括归一化处理和训练集、验证集的划分，数据归一化处理为其中，xi表示第i张图像，μ表示数据集的均值，σ表示数据集的标准差。
3.根据权利要求1所述的基于mobilenetv2和tensorflow lite的煤矿传输带皮带故障诊断方法，其特征在于，所述改进的全局池化层对于输入特征图f，其尺寸为h×w×c，改进的加权平均池化层的输出为：其中，gc表示第c个通道的池化输出，wij表示位置(i,j)的权重，fijc表示第c个通道在位置(i,j)的特征值，中心区域的重要性通常较高，采用高斯分布加权方式进行对wij赋值。
4.根据权利要求1所述的基于mobilenetv2和tensorflow lite的煤矿传输带皮带故障诊断方法，其特征在于，所述步骤s4改进输出层的改进步骤为：
5.根据权利要求1所述的基于mobilenetv2和tensorflow lite的煤矿传输带皮带故障诊断方法，其特征在于，损失函数的改进是分为以下部分，假设分类任务的输出为真实标签为y，回归任务的输出为真实值为r，注意力权重为α，模型参数为θ；
