欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022110002296
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种针对行星齿轮箱的故障诊断方法,其特征在于,包括如下步骤:

步骤S1、采集行星齿轮箱在不同故障类别下的振动信号,并利用连续小波变换将每个振动时序信号段转为对应的时频谱矩阵,将时频谱矩阵通过热力图的形式可视化成RGB三通道的时频图,形成时频图数据集;

步骤S2、建立局部融合生成对抗网络模型,使用局部融合生成对抗网络作为基础结构构建嵌入多头注意力机制生成器的对抗网络模型;所述嵌入多头注意力机制生成器的对抗网络模型用于为每个故障类别生成预设数量的生成样本;

步骤S3、建立基于SSIM与FID的生成质量优化与评估策略,于SSIM与FID的生成质量优化与评估策略用于对生成样本进行评估与筛选,从而得到筛选后生成样本;

步骤S4、将时频图数据集用于样本生成器的训练得到训练好的嵌入多头注意力机制生成器的对抗网络模型,并用训练好的嵌入多头注意力机制生成器的对抗网络模型为每个故障类别生成预设数量的生成样本,并利用基于SSIM与FID的生成质量优化与评估策略对生成样本进行评估与筛选,得到筛选后生成样本;

步骤S5、将筛选后生成样本与原始样本结合,输入智能诊断网络模型中,进行模型优化训练,得到训练好的智能诊断网络模型,并用测试样本检验其故障分类效果;

步骤S6、将行星齿轮箱故障时的振动信号转化为原始的时频图,然后将原始的时频图输入训练好的嵌入多头注意力机制生成器的对抗网络模型得到生成样本,再通过基于SSIM与FID的生成质量优化与评估策略筛选进行评估与筛选得到筛选后生成样本,将筛选后生成样本与原始的原始时频图集合输入训练好的智能诊断网络模型,识别得到行星齿轮箱的故障类型。

2.根据权利要求1所述的针对行星齿轮箱的故障诊断方法,其特征在于:在步骤S2中,嵌入多头注意力机制生成器的对抗网络模型的构建流程如下:局部融合生成对抗网络模型包括生成器G与鉴别器D;其中鉴别器D使用四个残差块作为特征提取器,每个残差块包含两个卷积层和一个平均池化层并加入残差连接,最后利用两个全连接层分别用来评估图像的真实性和分类结果,生成器G为嵌入多头注意力机制的生成器,从而构建形成嵌入多头注意力机制的生成器形成样本生成器;

生成器G使用编码解码结构作为主要框架,在输入数据时,将k张图片X={x1,...,xk}一并输入编码器进行解码,接着局部融合模块LFM将和随机系数α作为输入,并生成融合特征向量接着将这个融合特征向量输入解码器,得到生成图片最后将生成图片和真实图片X一同输入判别器进行对抗训练;

其中为图片解码向量,LFM表示局部融合模块,表示融合特征向量,H表示解码器;

局部融合模块LFM首先选择其中一个特征向量作为基础特征fbase,将剩下的k-1个特征向量集作为参考特征其目的是为基础特征fbase提供融合特征;接着在fbase中随机选择n个局部位置,从而得到一个基准局部特征φbase;然后建立fref与φbase的相似度映射图M如下:其中k表示特征向量的数量;fref表示中的每一个参考特征向量;i∈{1,...,n},j∈{1,...,h*w},是一个相似度矩阵,表示第i个基准局部特征,表示第j个参考特征向量,M(i,j)表示与的余弦相似度,h表示图像高度,w表示图像宽度;根据相似度映射图M,在fref中找到与φbase中每个位置最相似的相应局部特征表示φref,然后使用一个随机系数向量α=[αi,...,αk]对被选择的局部特征表示φref与基准局部特征φbase进行融合,得到局部融合特征φfuse:其中,而且t=1,...,n;最后将局部融合特征φfuse在fbase的对应位置进行替换,从而得到一个融合后的特征向量作为LFM模块的输出;φfuse表示局部融合特征,αbase表示基准局部特征φbase的系数向量,表示第t个基准特征向量,αi表示与第i个局部特征向量对应的系数,表示从第i个参考特征向量中选择出的第t个局部特征表示。

3.根据权利要求2所述的针对行星齿轮箱的故障诊断方法,其特征在于:在步骤S2中,

多头注意力机制的生成器包括编码器和解码器;编码器由一个多头注意力模块和六个卷积块组成;其中每个卷积块都包含一个卷积层,Leaky-ReLU激活和批量标准化,多头注意力模块用于使得编码器能够快速获取故障样本的全局信息,对时频图中能量分布的局部关键信息给予更多关注,从而便于网络进行局部特征融合时,能够更精确地找到基准图像与参考图像之间的局部特征对应位置;解码器与编码器的结构对称,包括一个多头注意力机制块、两个卷积块和四个上采样卷积块,解码器的多头注意力模块用于使编码器能够着重关注局部特征的生成细节,从而达到提高生成质量的目的。

4.根据权利要求2所述的针对行星齿轮箱的故障诊断方法,其特征在于:所述步骤S4中,样本生成器使用以下损失函数进行优化:其中:

G表示生成器,D表示判别器X代表输入图像,c(X)代表图像类别,D(X)表示判别器对真实图像的真假判别结果,D(z)表示判别器对生成图像的真假判别结果,z=G(X,α)代表生成图像,代表判别器的对抗损失,代表生成器的对抗损失,代表判别器的分类损失,代表生成器的分类损失,代表生成器重建损失的计算方法,λlocal分别是对应分类器的分类损失、生成器的分类损失以及生成器的局部重建损失的正则化参数;表示由生成器对抗损失生成器分类损失和生成器重建损失组成的生成器整体优化函数;表示由判别器的对抗损失和判别器的分类损失组成的判别器的整体优化函数。

5.根据权利要求1所述的针对行星齿轮箱的故障诊断方法,其特征在于:在步骤S3,中基于SSIM与FID的生成质量优化与评估策略包括SSIM指标和FID指标;

SSIM的具体计算公式:

其中,μ代表均值,σ代表方差,C1=(0.01L)2,C2=(0.03L)2,C3=C2是维持运算稳定的常数,L是像素值的动态范围;x表示原始样本,y表示生成样本,μx、μy、σxy、σx和σy为x和y像素值的统计学参数;

使用SSIM指标,对每类中的生成样本与原始样本在亮度、对比度以及结构三个方面进行综合相似度比较,当SSIM指标小于第一阈值时,说明该生成样本的质量较差,予以去除,从而提高生成样本的相似性;同时对于每类中生成样本之间同样利用SSIM进行两两相似度比较,当SSIM指标大于第二时,则去除其中一个生成样本,从而提高生成样本的多样性,最终得到初步筛选的生成样本;

初步筛选的生成样本采用FID指标进行评估,

FID指标的具体计算公式如下:

其中,μ代表均值,Σ代表协方差,r代表真实图像集,g代表生成图像集,Tr代表矩阵的迹,μr表示真实图像集的均值,μg表示生成图像集的均值,Σr表示真实图像集的协方差,Σg表示生成图像集的协方差;

当FID高于预设的第三阈值时,则调整第一阈值和第二阈值重新筛选得到初步筛选的生成样本,再次进行FID指标的评估,直至FID不高于预设的第三阈值。

6.根据权利要求5所述的针对行星齿轮箱的故障诊断方法,其特征在于:第一阈值为0.25,第二阈值为0.95,第三阈值为100。

7.根据权利要求1所述的针对行星齿轮箱的故障诊断方法,其特征在于:所述智能诊断网络模型包括resnet50智能诊断网络模型、mobilenet智能诊断网络模型和googlenet智能诊断网络模型。