申请/专利权人：南京工业大学

申请日：2023-10-12

公开（公告）日：2024-05-07

公开（公告）号：CN117574259B

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/25;G06F18/214;G06N3/0464;G01M13/02;G01M13/04

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明公开一种适用于高端装备的注意力孪生智能迁移可解释性诊断方法，先获取轴承和齿轮不同故障件在不同负载或转速下的振动信号数据，对数据进行预处理；构建双分支架构的卷积神经网络模型，令模型可同时接受两种不同工况下的不平衡样本进行训练；模型中加入跨模块串联双注意力机制，包括通道特征注意力增强和片段特征注意力增强模块，用以合理地增强小样本特征信息，增强不平衡样本的域不变特征，并实现特征的注意力可解释性；同时引入孪生特征融合模块，更好的提取不平衡样本中的域不变特征；最后，采用各类提出的特征可视化方法实现对迁移诊断模型的特征可视化解释，并在测试数据集上完成高效的迁移诊断准确性。

主权项：1.一种适用于高端装备的注意力孪生智能迁移可解释性诊断方法，其特征在于，包括以下步骤：步骤S1、获取高端装备模拟试验台中轴承和齿轮的故障信号，得到轴承故障样本和齿轮故障样本；步骤S2、数据预处理：将三个变负载下的轴承数据和三个变转速下的齿轮数据进行顺序组合，并添加健康样本，将每类健康样本设置成不同的不平衡样本大小，并对不平衡样本做时频转换变换为频域信号，同时做标准化处理；步骤S3、构建注意力孪生智能迁移可解释性诊断模型步骤S3.1、搭建双分支卷积神经网络模型，该双分支卷积神经网络模型共分为5个卷积层、5个池化层和一个全连接层，模型中包含批标准化层和L2正则化；步骤S3.2、设计跨模块串联的跨模块双注意力机制模块，并建立对应模块的特征可视化方法；跨模块双注意力机制模块包括通道特征注意力模块CFAE和片段特征注意力模块FFAE，通过通道特征注意力模块CFAE增强不平衡样本不同通道中的特征值，通过片段特征注意力模块FFAE增强不平衡样本不同特征片段的特征值；步骤S3.3、引入对比损失函数来构建孪生特征融合网络模块；步骤S3.4、将跨模块双注意力机制模块和孪生特征融合网络模块插入双分支卷积神经网络模型，构建不平衡样本下的注意力孪生智能迁移可解释性诊断模型；其中CFAE模块被放置于第3个池化层后，FFAE模块被放置于第5个卷积层后，在全局平均池化GAP层应用孪生特征融合网络；步骤S4、使用步骤S2所得不平衡样本数据对注意力孪生智能迁移可解释性诊断模型进行训练，注意力孪生智能迁移可解释性诊断模型采用的是任意两种负载或转速下的不平衡样本数据进行训练，此处先用两个工况下的不平衡样本数据进行训练；步骤S5、使用测试集对注意力孪生智能迁移可解释性诊断模型进行诊断效果测试；经训练完成后的注意力孪生智能迁移可解释性诊断模型内部权重和偏置参数固定，进而使用其它转速或负载下的数据对模型的诊断效果进行验证，绘制与其它模型的诊断对比箱型图及混淆矩阵，展示模型性能；步骤S6、借助步骤S3中的跨模块双注意力机制模块，对注意力孪生智能迁移可解释性诊断模型学习到的统计特征进行可视化展示，首先展示通道特征注意力模块CFAE对不同通道特征的增强，然后展示片段特征注意力模块FFAE对不同片段的特征增强，同时对激活权重W2进行可视化展示，进而结合频谱波形，展示模型具体学习到了哪些统计特征信息；步骤S7、借助步骤S3孪生特征融合网络模块，对注意力孪生智能迁移可解释性诊断模型学习到的变工况下不平衡样本中的不随工况转变的跨域融合与不变特征进行展示，进一步解释智能模型学习到的特征信息。

全文数据：

权利要求：

百度查询： 南京工业大学 适用于高端装备的注意力孪生智能迁移可解释性诊断方法

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。

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