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: 2025110992514
申请人: 湖南师范大学
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.融合CNN与图注意力网络的旋转设备故障诊断方法,其特征在于,包括:

使用多传感器采集不同部位关键运行信号:①对电机采集电流、电压、温度和振动信号,②对轴承采集振动和温度信号,③对齿轮箱采集振动和温度信号,④对联轴器采集振动、温度和声音信号,⑤对旋转负载采集转速、温度和振动信号,将各信号分别输入至各自的GRU网络中,并以GRU网络每一个时间步的隐藏层状态作为通道注意力模块一个通道的输入,通过多通道注意力模块对不同通道加权生成特征向量,将各通道生成的特征向量沿着通道维度进行拼接,使得二维特征矩阵的每一行对应一个通道的特征向量,每一列对应特征向量中的一个特征点,将二维特征矩阵输入CNN与混合注意力模块深层次提取特征及其权重,4层CNN网络分别采用7*7、3*3、3*3和1*1的多尺度卷积核,并在每一层CNN后接入混合注意力机制进行加权和局部调整,最终得到旋转设备各部位不同信号的精细化故障特征;

对旋转设备各部位不同信号的精细化故障特征根据其时间特性按固定的时间间隔划分成N个时间窗口,如公式(1)所示,其中T为总时间步数、W为窗口大小、S为步长,对第i个时间窗口按公式(2)计算两不同时间步特征之间的相似度,进而得到第i个时间窗口的相似度矩阵,其中 j 和 k为两个不同的时间步、f为时间步特征,运用softmax函数归一化之后得到该时间窗口的权重矩阵,对时间窗内的特征按公式(3)依据权重矩阵加权后得到局部聚合特征,其中为第i个窗口中第j时间步的特征,并将所有窗口的按时间先后顺序拼接,最终得到各部位不同信号的时间窗拼接特征,其中N为窗口数量,d为特征维度;

1(1)

(2)

(3)

将电驱动系统视为一个图拓扑结构,其内部电机、轴承、齿轮箱、联轴器和旋转负载看作图网络的节点、之间的连接或耦合关系看作边,并以各部位不同信号的时间窗拼接特征作为图网络的节点特征信息,其中:①电机节点包括电流谐波畸变率、定子模态频率响应、电压波动和温度4种信号特征,②轴承节点包括内、外圈故障特征频率和温度2种信号特征,③齿轮箱节点包括齿轮啮合频率和温度2种信号特征,④联轴器节点包括振动、温度和声音3种信号特征,⑤旋转负载节点包括转速、温度和振动3种信号特征,并以两节点间故障传播影响程度作为边信息,构建全局故障诊断图;

将各节点的特征通过可学习的线性变换矩阵映射为 Query值和Key值向量,使用共享的注意力机制函数LeakyReLU计算不同节点之间的注意力系数,并结合边信息对注意力系数进行调制,再将所有注意力系数归一化得到注意力权重,并对节点特征加权,将不同节点加权后的特征通过多头注意力机制在不同的子空间中进行学习,最后将各个头的输出进行整合,得到全局故障特征Z;

构造图网络联合优化损失函数,分析并调整模型参数。

2.如权利要求1所述的融合CNN与图注意力网络的旋转设备故障诊断方法,其特征在于,构造图网络联合优化损失函数,分析并调整模型参数,包括:①构造图网络联合优化损失函数如式(4)所示:

(4)

其中为分类损失函数,为全局—局部结构对比损失函数,②计算全局—局部结构对比损失函数,如公式(5)所示:(5)

其中Z为全局故障特征,为节点故障特征,为权重系数,反应了全局故障特征与节点特征的均值之间的差异,③计算分类损失函数,如公式(6)所示:(6)

其中C为故障总类别,为样本在数据集c中的编码,为模型预测故障为类别c的概率,④根据联合优化损失函数更新模型参数,包括:更新线性变化矩阵和缩放因子,以为例,如公式(7)所示:(7)

其中t为模型迭代的次数,为学习率。