申请/专利权人：中国海洋大学

申请日：2024-02-27

公开（公告）日：2024-03-29

公开（公告）号：CN117786507A

主分类号：G06F18/241

分类号：G06F18/241;G01M13/045;G06F18/23;G06F18/214;G06F18/213;G06F18/26;G06N3/0455;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明属于故障检测技术领域，公开了全局和局部特征耦合指导的滚动轴承未知故障检测方法，包括预训练阶段，使用伪孪生网络进行预训练，提取尺度耦合特征；使用有标签的数据监督调整阶段；故障新类发现阶段，在未标记数据上训练全局和局部耦合特征指导的未知故障检测模型：通过全局特征学习分支和局部特征学习分支学习全局特征和局部特征，建模全局‑局部特征结构因果图，以捕获故障振动信号中全局特征、局部特征和故障类别之间的真实因果关系；通过一致性预测方法约束全局特征学习分支和局部特征学习分支的预测结果，使全局特征学习分支和局部特征学习分支对同一样本的预测结果保持一致。

主权项：1.全局和局部特征耦合指导的滚动轴承未知故障检测方法，其特征在于，包括三个阶段，以下步骤：阶段1，预训练阶段，使用伪孪生网络进行预训练，提取尺度耦合特征：输入数据是不同尺度的一维振动信号样本，通过尺度耦合特征提取模块建立数据不同尺度之间的相似性关联关系，完成预训练；所述尺度耦合特征提取模块采用基于Transformer的伪孪生网络，具体来说，所述伪孪生网络包括两个结构相同的基于Transformer的特征提取分支和距离度量模块，每个特征提取分支采用Transformer编码器结构，两个分支不共享权重，不同尺度的数据输入到伪孪生网络的两个分支中，通过距离度量模块度量两个分支的输出特征是否属于相同类别来学习尺度间的相似性关系，该相似性关系即尺度间的耦合特征；阶段2，使用有标签的数据监督调整阶段；使用预训练阶段训练好的Transformer编码器，在标记数据集上进行监督训练，使其提高对已知类别数据进行分类的能力；阶段3，故障新类发现阶段，在未标记数据上训练全局和局部耦合特征指导的未知故障检测模型：故障新类发现阶段的全局和局部耦合特征指导的未知故障检测模型架构包括预训练的Transformer编码器、全局特征学习分支、局部特征学习分支及全局局部特征交互模块，首先将无标记的未知类数据集输入到Transformer编码器中，然后通过全局特征学习分支和局部特征学习分支学习全局特征和局部特征，并通过全局局部特征交互模块挖掘全局特征和局部特征跟故障类别之间的真实因果关系，建模全局-局部特征结构因果图，以捕获故障振动信号中全局特征、局部特征和故障类别之间的真实因果关系；最后通过一致性预测方法约束全局特征学习分支和局部特征学习分支的预测结果，使全局特征学习分支和局部特征学习分支对同一样本的预测结果保持一致。

全文数据：

权利要求：

百度查询： 中国海洋大学 全局和局部特征耦合指导的滚动轴承未知故障检测方法

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