[发明专利]少样本下基于匹配元学习的复杂工况齿轮故障诊断方法在审
申请号: | 202310567067.2 | 申请日: | 2023-05-19 |
公开(公告)号: | CN116593157A | 公开(公告)日: | 2023-08-15 |
发明(设计)人: | 刘杰;王晓莹;郑元林;王婷;刘善慧 | 申请(专利权)人: | 西安理工大学 |
主分类号: | G01M13/028 | 分类号: | G01M13/028;G01M13/021;G06F18/00;G06F18/10;G06N3/0464;G06N3/09;G06N3/0985;G06N3/084 |
代理公司: | 西安弘理专利事务所 61214 | 代理人: | 涂秀清 |
地址: | 710048 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 样本 基于 匹配 学习 复杂 工况 齿轮 故障诊断 方法 | ||
1.少样本下基于匹配元学习的复杂工况齿轮故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1,获取齿轮不同工况下的振动信号数据,划分为源域和目标域;
步骤2,构建结合多尺度特征提取器和全局分类器的监督学习网络;
步骤3,对监督学习网络进行全局监督训练,获取优化后的多尺度特征提取器;
步骤4,构建基于匹配网络的度量模块,结合优化后的多尺度特征提取器,形成基于匹配元学习的故障分类网络;
步骤5,对度量模块进行训练,得到优化后的基于匹配元学习的故障分类网络;
步骤6,输入到优化后的基于匹配元学习的故障分类网络中进行诊断,得到齿轮故障诊断结果。
2.根据权利要求1所述的少样本下基于匹配元学习的复杂工况齿轮故障诊断方法,其特征在于,所述步骤1源域监督任务数据集划分为训练集和测试集,训练集由带标签的数据构成,用以训练构建的故障诊断模型,测试集由与训练集同种工况下的不带标签的数据构成,用以评估构建的故障诊断模型的性能。
3.根据权利要求2所述的少样本下基于匹配元学习的复杂工况齿轮故障诊断方法,其特征在于,所述步骤2多尺度特征提取器包括1个一维卷积层、3个并联的空洞卷积层以及3个多头注意力机制;一维卷积层的卷积核大小为64*1,3个空洞卷积层的卷积核大小均为3*1,扩张率分别为DR=1、DR=2、DR=3;一维卷积和3个空洞卷积后都添加了1个最大池化层;
全局分类器包括1个展平层和1个全连接层,展平层的神经元数量为100,全连接层的神经元数量为源域数据的类别数。
4.根据权利要求3所述的少样本下基于匹配元学习的复杂工况齿轮故障诊断方法,其特征在于,每个所述多头注意力机制包括8个头,用于计算每个分支的权重,综合利用特征信息,多头注意力机制进行数据处理的具体步骤如下:
步骤2.1,将经过多尺度特征提取器处理后的特征数据输入到三个并行的全连接层,计算查询矩阵Q、关键矩阵K、值矩阵V,计算公式如下:
Qi=Linear1(X) (1)
Ki=Linear2(X) (2)
Vi=Linear3(X) (3)
式中,X表示特征数据,Linear1、Linear2和Linear3分别表示三个全连接层,i表示多头注意力机制的头数,i=1,2,...8,Qi、Ki和Vi分别表示第i个头的查询矩阵、关键矩阵和值矩阵;
步骤2.2,将查询矩阵与关键矩阵进行矩阵乘法运算,得到Attention权重矩阵;
步骤2.3,将Attention权重矩阵与值矩阵进行矩阵乘法运算,并通过softmax()激活函数得到注意力加权结果,计算公式如下:
式中,表示关键矩阵Ki的转置,d表示输入的向量维度,Hi表示第i个头的注意力加权结果;
步骤2.4,将8个头的注意力加权结果Hi(i=1,2,...8)进行拼接,得到多头注意力的输出结果output,即
output=[H1 … H8] (5)。
5.根据权利要求4所述的少样本下基于匹配元学习的复杂工况齿轮故障诊断方法,其特征在于,所述步骤3全局监督训练过程中,学习率和batch分别设置为0.001和16,采用交叉熵损失函数作为损失,epoch为100,当达到设定的最大epoch时停止训练,若损失函数值连续在15个epoch内没有下降,则提前停止训练,得到优化后的多尺度特征提取器。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310567067.2/1.html,转载请声明来源钻瓜专利网。