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: 2025113409594
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:

1.一种基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,包括步骤:步骤1:采集电气设备的各类故障在不同工况下的三相电流信号;所述电流信号为一维时域信号;

步骤2:将所述三相电流信号转换为FSDP图像,将一种工况下的FSDP图像作为训练集,将其他工况下的FSDP图像作为测试集;将所述训练集和所述测试集均划分为支持集和查询集;

步骤3:构建关系网络,采用训练集对所述关系网络进行训练,得到训练好的关系网络;所述关系网络包括特征提取模块和关系模块;所述特征提取模块用于采用混合注意力机制和CNN对所述训练集的支持集和查询集进行特征提取,得到故障特征;所述关系模块用于计算从支持集与查询集中提取的故障特征的关系分数,根据所述关系分数确定最终的故障诊断结果;

步骤4:将测试集输入到训练好的关系网络中,得到电气设备故障诊断结果;

其中,所述关系模块包括:两个卷积块和两个全连接层;所述卷积块包括:卷积层、批量归一化层、ReLU激活函数以及最大池化层;

在所述关系模块中:

当训练集或测试集中支持集的样本数为1时,则将支持集和查询集采用特征提取模块提取的对应故障特征进行拼接,得到组合特征;

当训练集或测试集中支持集的样本数大于1时,则将每类支持集的所有样本的特征提取模块的输出进行元素求和,以形成对应类别的特征表示,然后与查询样本的特征表示进行拼接,得到组合特征;

将所述组合特征依次经过第一个卷积模块、第二个卷积模块、第一个全连接层、ReLU激活函数、第二个全连接层和Sigmoid激活函数进行处理,得到每个查询样本与某一类支持集的关系分数;

对于一个查询样本,最终得到N个关系分数,将最大关系分数对应的训练类支持集对应的故障类别作为故障诊断结果。

2.根据权利要求1所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,步骤2包括:步骤2.1:将所述三相电流信号的每一相单独等分为份,每一份包含个点;

步骤2.2:将划分后的每一份一维信号单独转换为SDP图像;所述SDP图像包括SDP-A、SDP-B和SDP-C;

步骤2.3:将SDP-A、SDP-B和SDP-C分别注入到彩色图像RGB通道的一个通道中,最终形成FSDP图像;

步骤2.4:将一种工况下的FSDP图像作为训练集,将其他工况下的FSDP图像作为测试集;

步骤2.5:对于训练集,从所有的类故障中随机选择类故障的个样本作为支持集,将类故障的剩余样本作为查询集;

步骤2.6:重复步骤2.5,形成多个任务序列,覆盖训练集的所有类别;此支持/查询集旨在模拟在测试时将遇到的支持/查询集;

步骤2.7:对于测试集,将测试集中所有类故障带标签的样本作为支持集,无标签样本作为查询集。

3.根据权利要求2所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,训练集的支持集和查询集共享同样的标签空间,支持集和查询集的样本无重叠。

4.根据权利要求2所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,测试集的支持集和查询集共享同样的标签空间,支持集的标签对模型已知,查询集的标签对模型未知。

5.根据权利要求2所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,将划分后的每一份一维信号单独转换为SDP图像的转换公式为:其中,为时域信号离散采样点的序号;为时间滞后系数,为放大系数;为第个采样点对应的极坐标半径;为第个采样点对应的幅值;、分别为在时域上的最小和最大幅值;、分别为第个采样点对应的极坐标逆时针旋转角度和顺时针旋转角度;为第个镜像对称平面旋转角度,和是两个超参数。

6.根据权利要求1所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,所述特征提取模块包括多个依次串联的特征提取子模块,每个特征提取子模块有一个CNN层和一个混合注意力模块组成。

7.根据权利要求6所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,所述混合注意力模块为CBAM模块。

8.根据权利要求1所述的基于混合注意力与元学习的小样本跨域设备故障诊断方法,其特征在于,在关系网络的训练过程中参数调整方式为:其中,和分别表示特征提取模块和关系模块的参数,为关系分数,、分别为支持集和查询集的标签,m、n分别为支持集和查询集的样本数。