申请/专利权人:石家庄铁道大学
申请日:2022-01-21
公开(公告)日:2022-09-16
公开(公告)号:CN114510968B
主分类号:G06K9/00
分类号:G06K9/00;G06N3/04;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2022.09.16#授权;2022.06.03#实质审查的生效;2022.05.17#公开
摘要:本发明提供了一种基于Transformer的故障诊断方法,属于故障诊断技术领域。本发明采用了多层TransformerEncoder作为特征提取模块,在Encoder层之间加入Dense连接增强模型特征复用能力,在特征提取模块前加入Dropout层来提高模型的泛化能力,加入多通道卷积神经网络层来进行样本矩阵生成,采用全连接层进行故障分类。本发明采用了TransformerEncoder结构并进行了改进,将其应用在机械设备的故障诊断中,能够很好的提取振动信号之间长时间内的时序特征和全局特征,得到更加准确的故障关系。
主权项:1.一种基于Transformer的故障诊断方法,其特征在于,包括以下步骤:获取多个不同故障类型的机械设备振动信号作为数据集;利用TransformerEncoder搭建特征提取网络,具体包括以下步骤:堆叠三层Encoder网络;在每层Encoder网络之间加入Dense连接;通过下式进行三层Encoder网络Dense连接,xm=Hm[x0,x1,…,xm-1]式中,xm为第m层的Encoder网络的输出,[·]为特征拼接函数,Hm为第m层的Encoder网络的特征提取函数;利用特征提取模块、全连接层网络、两层Dropout网络和两层卷积神经网络搭建故障诊断模型;利用数据集中的机械设备振动信号对故障诊断模型进行训练;将待测机械设备振动信号输入训练好的故障诊断模型得到待测机械设备振动信号的分类结果,根据分类结果判断待测机械设备的故障情况。
全文数据:
权利要求:
百度查询: 石家庄铁道大学 一种基于Transformer的故障诊断方法
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。