1.一种风电齿轮箱的故障诊断方法,其特征在于,包括:
采集风电齿轮箱的振动信号,并获取振动信号的时频图;
获取时频图中的胶囊特征张量,在空间上构成一个时频二维网络,并采用不同的卷积核,在时频二维网络的时间轴与频率轴提取对应的查询张量;
将对应的查询张量分别与预设共享键值对进行点积匹配,得到每个查询张量的注意力分布,并通过注意力分布融合时间轴与频率轴方向的聚合输出;
对聚合输出进行类激活映射,确定风电齿轮箱的故障类别,并通过故障类别生成聚焦于关键时频区域的类激活图,展示判别依据;
所述获取时频图中的胶囊特征张量,包括:
通过初级胶囊层中的两层卷积块对时频图进行特征提取;其中卷积块由两个带有批量归一化和ReLU激活函数的卷积层组成;
通过逐通道卷积选取具有方向感知能力的特征表征,再通过1×1卷积将输出通道维度调整为预设的胶囊向量维度,构成具有空间方向性和局部稀疏性的胶囊特征张量。
2.如权利要求1所述的一种风电齿轮箱的故障诊断方法,其特征在于,通过预训练后的诊断模型对时频图进行故障诊断,生成类激活图,其中所述诊断模型包括:依次连接的初级胶囊层、双轴稀疏注意力路由模块、全连接层和类激活映射层;其中双轴稀疏注意力路由模块包括并联的时间轴和频率轴,以及后续连接的融合层,每个轴均包括一个轴向注意力层,融合层包括求和与压缩层、多层感知机层。
3.如权利要求2所述的一种风电齿轮箱的故障诊断方法,其特征在于,通过预训练后的诊断模型对时频图进行故障诊断之前,还包括:针对所述生成的类激活图,获取类激活图的频率先验掩码,并通过频率先验掩码计算掩码区域的平均响应强度,并以平均响应强度定义先验语义引导损失;将类激活图沿频率轴进行平均,得到时间维度的平均响应,对时间维度的平均响应进行稀疏性量化,并为各故障类别设定目标稀疏度,以稀疏性量化后时间维度的平均响应与目标稀疏度之差的平方定义稀疏激活约束损失,以及基于故障类别的分类输出计算分类损失;
通过先验语义引导损失和稀疏激活约束损失对类激活图分别施加空间和时间的先验引导,并结合分类损失共同优化诊断模型参数,获得预训练后的诊断模型。
4.如权利要求1所述的一种风电齿轮箱的故障诊断方法,其特征在于,所述将对应的查询张量分别与预设共享键值对进行点积匹配,得到每个查询张量的注意力分布,具体为:在行向与列向两个正交方向上,并行地从输入特征图分别生成行向查询张量与列向查询张量,并与共享的键张量、值张量进行缩放点积注意力计算,得到行向注意力输出与列向注意力输出。
5.一种风电齿轮箱的故障诊断系统,其特征在于,包括:
数据获取模块,用于采集风电齿轮箱的振动信号,并获取振动信号的时频图;
向量生成模块,用于获取时频图中的胶囊特征张量,在空间上构成一个时频二维网络,并采用不同的卷积核,在时频二维网络的时间轴与频率轴提取对应的查询张量;
聚合模块,用于将对应的查询张量分别与预设共享键值对进行点积匹配,得到每个查询张量的注意力分布,并通过注意力分布融合时间轴与频率轴方向的聚合输出;
判别模块,用于对聚合输出进行类激活映射,确定风电齿轮箱的故障类别,并通过故障类别生成聚焦于关键时频区域的类激活图,展示判别依据;
所述获取时频图中的胶囊特征张量,包括:
通过初级胶囊层中的两层卷积块对时频图进行特征提取;其中卷积块由两个带有批量归一化和ReLU激活函数的卷积层组成;
通过逐通道卷积选取具有方向感知能力的特征表征,再通过1×1卷积将输出通道维度调整为预设的胶囊向量维度,构成具有空间方向性和局部稀疏性的胶囊特征张量。
6.一种计算机设备,其特征在于,包括存储器及处理器,所述存储器中储存有程序,所述程序被所述处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述一种风电齿轮箱的故障诊断方法的步骤。
7.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的一种风电齿轮箱的故障诊断方法的步骤。