申请/专利权人：吉林省枫瑞科技有限公司

申请日：2024-03-26

公开（公告）日：2024-06-18

公开（公告）号：CN117972396B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/22;G06F18/25;G06F18/27;G06N3/044;G06N3/0455;G06N3/0464;G06N3/0475;G06N3/082;G06Q10/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明涉及基于计算机模型进行工业设备故障检测领域，尤其涉及一种基于深度学习的载荷位移曲线故障检测方法。内容包括：设计递归与自适应融合网络处理载荷位移曲线故障检测中的数据和非线性特征，并通过特征提取和融合过程，得到综合特征表示；进一步引入参数生成网络和递归网络，在递归网络的输出上应用注意力机制，得到载荷位移曲线故障特征；再设计多维特征解构与相似性分析网络进行故障判断，并基于载荷位移曲线故障特征进行趋势预测，基于预测输出识别偏离正常运行模式的趋势。解决了现有技术在进行载荷位移曲线故障检测时存在的准确性不足、故障类型识别有限、缺乏预测能力、适应性和通用性不足以及缺乏数据驱动的决策支持的技术问题。

主权项：1.一种基于深度学习的载荷位移曲线故障检测方法，其特征在于，包括以下步骤：S1.设计递归与自适应融合网络处理载荷位移曲线故障检测中的数据和非线性特征，并通过基于多尺度特征提取和非线性变换以及对非线性变换的特征进行自适应加权融合的特征提取和融合过程，得到综合特征表示；进一步引入参数生成网络，动态生成参数，并通过递归网络动态优化综合特征表示，具体公式为： ， ， ，其中，是第时间步的动态生成参数，、是生成动态参数的权重和偏置，、、是用于融合隐藏状态和增强特征的参数，是第时间步的隐藏状态，表示经过非线性变换和自适应加权融合后的增强特征，是第时间步的动态生成参数，是第时间步的残差连接输出，是第时间步的隐藏状态，是第时间步的残差连接输出，是动态生成的偏置；在递归网络的输出上应用注意力机制，得到载荷位移曲线故障特征；S2.设计多维特征解构与相似性分析网络进行故障判断；多维特征解构的数学公式如下： ，其中，表示解构后的特征，是载荷位移曲线故障特征，是第个变换的系数，用于调节高阶多项式变换的影响力度，是第个变换的系数，用于调节指数变换和伽马函数的影响力度，表示多项式变换的阶数，是控制指数变换的参数，是伽马函数，是伽马函数的参数；对多维特征解构后的特征进行相似度评估，捕捉不同时间点的特征变换，并转化为相似度度量；相似度评估的数学公式如下： ，其中，代表计算得到的相似度，是第个评估层的权重参数，是控制第个评估层中第个时间点特征差异影响的参数，是时间延迟的索引，是第时间步解构后的特征；并基于载荷位移曲线故障特征进行趋势预测；基于预测输出识别偏离正常运行模式的趋势。

全文数据：

权利要求：

百度查询： 吉林省枫瑞科技有限公司 一种基于深度学习的载荷位移曲线故障检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD