基于机器学习的CT设备故障自动化识别系统

CT设备由于故障点数量存在不确定性，导致故障识别率低，提出基于机器学习的CT设备故障自动化识别系统。根据故障特征，设计系统硬件的框架和功能模块；软件单元设计根据CT设备正常状态信号分布，设定故障判定依据，采用神经网络算法，检测和划分故障信号的类型，结合大数据融合算法，优化故障识别系统，输出识别结果，实现CT设备故障自动化识别。实验结果表明：设计的故障自动化识别系统将电压波动控制在0值上下，峰值控制区间在[-0.5,0.5]，并且最低故障识别准确率达到了90.3%，准确识别和划分了故障类型，因此，设计系统有效提升了故障识别的准确率和抗干扰能力，运行稳定性好。