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: 2023107939382
申请人: 青岛理工大学
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:

1.一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,包括如下步骤:步骤一,收集机械振动的数据,构建样本数据集,并将数据集分成训练集和测试集;

步骤二,将数据集的训练集和测试集依据样本间的余弦相似度分别构造为训练集族图和测试集族图;

步骤三,将训练集族图输入到搭建好的多尺度图注意力融合网络中训练网络,得到最佳故障诊断模型;

步骤四,将测试集族图输入最佳故障诊断模型中进行测试,评估模型性能;

步骤五,将待诊断的机械振动的数据输入到评估后的故障诊断模型中进行故障诊断;

步骤二的具体方法如下:

Step1:对采集的数据进行归一化操作;

Step2:把归一化后的时间序列数据转换为频域数据;

Step3:依据样本间相似度选择相似度最高的n个节点作为族图中的祖先图Gancestor,其次,将这n个节点随机分为两组,对每一组都使用余弦相似度方法,得到各自的父图Gparent;最后,将每一个父图Gparent的n/2节点再次随机分成两组,对每一组分别使用余弦相似度方法获得各自的子图Gchild;Gancestor,Gparent,Gchild共同构成族图Gclan,并用作模型的输入。

2.根据权利要求1所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,步骤一中,将收集到的样本信号与相应的故障类型标签一起构建为样本数据集。

3.根据权利要求1所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,步骤三中,所述多尺度图注意力融合网络包括输入层、多尺度特征融合层和节点分类输出层,所述多尺度特征融合层包括三个并行的不同注意力尺度的图注意力模块和一个特征融合模块,所述节点分类输出层包括两层全连接层以及LeakyReLU激活层和Dropout层。

4.根据权利要求3所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,所述图注意力模块包括图注意力层、BatchNomlization层、Dropout层和LeakyReLU激活层。

5.根据权利要求1或3所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,所述多尺度图注意力融合网络的损失函数选择交叉熵损失函数,其公式为:Loss(p,q)=-∑p(x)log q(x)

其中,p(x)为训练集的标签,q(x)为网络预测的标签值。

6.根据权利要求4所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,输入层的输出尺寸为10×512×1,多尺度特征融合层输出尺寸为10×1024×3,节点分类输出层输出尺寸10×512,图注意力模块和节点分类输出层中Dropout层比率为0.6。

7.根据权利要求4所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,多尺度特征融合层的输出结果表示为:其中,[·]表示连接算子;σ为Sigmoid激活函数;H1,H2,H3分别表示三个图注意力模块的图注意力层具有H1,H2,H3个相互独立的注意力机制;表示节点i与其邻域节点m在第h1,h2,h3个注意力机制下计算的归一化注意力系数;分别表示归一化注意力系数为所对应的线性变换加权矩阵;表示邻域节点m的节点特征,每个(·)表示来自不同尺度下的特征表示;H1,H2,H3分别表示三个图注意力模块的图注意力层的第H1,H2,h3个独立的注意力机制;表示图中节点i的邻域。

8.根据权利要求4所述的一种基于多尺度图注意力融合网络的机械故障诊断方法,其特征在于,节点特征为F的图在多尺度图注意力融合网络的输出Y表示为:Y=FCL2(FCL1(Leaky_ReLU(MSFFL1(F)),

Leaky_ReLU(MSFFL2(F)),Leaky_ReLU(MSFFL3(F))))其中,FCL1和FCL2为多尺度图注意力融合网络的全连接层,Leaky_ReLU为多尺度图注意力融合网络使用的激活函数,MSFFL1,MSFFL2,MSFFL3为多尺度图注意力融合网络搭建的多尺度特征融合层。