申请/专利权人：华南理工大学

申请日：2024-03-15

公开（公告）日：2024-06-25

公开（公告）号：CN118245798A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/21;G06F18/213;G06F18/22;G06F18/2431;G06N3/0455;G06N3/0464;G06N3/082

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了基于改进孪生胶囊网络的小样本跨工况故障诊断方法及系统，包括以下步骤：采集旋转机械在不同工况下的振动加速度信号并设置类别标签构建数据集；构建源域训练样本对数据集和目标域支持样本集、测试样本集；构建特征提取器，用于对原始故障振动信号进行特征提取，包括并联的两个分支特征提取器；构建度量学习器；基于特征提取器和度量学习器构建孪生多尺度注意力小波胶囊网络小样本跨工况故障诊断模型，训练该模型用于故障诊断。本发明方法可以有效提高深度学习模型在旋转机械小样本故障诊断与跨工况故障诊断中的诊断精度，有效改进小样本变工况场景下的智能故障诊断任务。

主权项：1.基于改进孪生胶囊网络的小样本跨工况故障诊断方法，其特征在于，包括以下步骤：获取旋转机械在不同的实验工况下的振动加速度信号，并设置类别标签，基于所述振动加速度信号构建样本；选取某一工况的数据集作为源域数据集，并从源域数据集中随机抽取两个样本构成样本对，来自相同故障类别的样本构成的样本对称为正样本对，来自不同故障类别的样本构成的样本对称为负样本对，所有的正负样本对构成源域训练样本对数据集，选取源域数据集工况之外的工况数据集作为目标域数据集，将目标域数据集划分为每类n个带标签样本构成的支持样本集和剩余不带标签的样本构成的测试样本集；构建特征提取器，特征提取器用于对原始故障振动信号进行特征提取，包括并联的两个分支特征提取器，每个分支特征提取器包括串联的多尺度注意力小波输入特征提取模块和胶囊网络模块，多尺度注意力小波输入特征提取模块用于通过使用相同小波核函数但核大小不同的多个小波卷积层或使用不同小波核函数的多个小波卷积层来对原始的振动信号进行不同尺度的特征提取以提取到更多有用的信息，胶囊网络模块用于对多尺度注意力小波输入特征提取模块提取到的特征做进一步提取，获得更细粒度的特征；构建度量学习器，用于计算特征向量在特征空间中的距离，并判断样本对的相似度；将所述特征提取器和所述度量学习器相结合，构建孪生多尺度注意力小波胶囊网络小样本跨工况故障诊断模型；将构建的源域训练样本对数据集中的样本对，分批次输入到所述孪生多尺度注意力小波胶囊网络小样本跨工况故障诊断模型中，对特征提取器和度量学习器进行训练；将待测数据输入到训练得到的孪生多尺度注意力小波胶囊网络小样本跨工况故障诊断模型中，得到小样本跨工况条件下的旋转机械故障诊断结果。

全文数据：

权利要求：

百度查询： 华南理工大学 基于改进孪生胶囊网络的小样本跨工况故障诊断方法及系统

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