【技术实现步骤摘要】
本申请涉及机器学习，特别是涉及一种旋转设备的故障分类方法、装置、设备、存储介质和产品。
技术介绍
1、常见的旋转设备如电机、发动机等，在工作过程中容易产生故障，因此，有必要对旋转设备进行故障检测。
2、随着机器学习技术的发展，支持向量机、图卷积神经网络等学习模型越来越多地应用于旋转设备的故障检测中。
3、传统的图卷积神经网络在进行训练时，由于使用单个图网络进行检测，难以从有限的训练样本中提取出足够的信息，因而训练得到的图卷积神经网络模型的故障检测精度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高故障检测精度的旋转设备的故障分类方法、装置、设备、介质和产品。
2、第一方面，本申请提供了一种旋转设备的故障分类方法。方法包括：
3、对待测旋转设备的故障信息进行特征提取，得到故障信息的故障特征；
4、将故障特征输入至目标多尺度多头自注意力图卷积神经网络gcn模型得到待测旋转设备的故障类别；目标多尺度多头自注意力...
【技术保护点】
1.一种旋转设备的故障分类方法，其特征在于，方法包括：
2.根据权利要求1的方法，其特征在于，初始多尺度多头自注意力GCN模型包括多个第一子模型和多层感知器；方法还包括：
3.根据权利要求2的方法，其特征在于，第一子模型包括第一图卷积层和第二图卷积层，初始多尺度多头自注意力GCN模型包括连接层和线性层；根据第一输出信息和各图特征样本得到融合图特征样本，包括：
4.根据权利要求3的方法，其特征在于，根据第一输出信息、第二输出信息和各图特征样本得到融合图特征样本；目标输出信息包括第一输出信息和第二输出信息，包括：
5.根据权...
【技术特征摘要】
1.一种旋转设备的故障分类方法，其特征在于，方法包括：
2.根据权利要求1的方法，其特征在于，初始多尺度多头自注意力gcn模型包括多个第一子模型和多层感知器；方法还包括：
3.根据权利要求2的方法，其特征在于，第一子模型包括第一图卷积层和第二图卷积层，初始多尺度多头自注意力gcn模型包括连接层和线性层；根据第一输出信息和各图特征样本得到融合图特征样本，包括：
4.根据权利要求3的方法，其特征在于，根据第一输出信息、第二输出信息和各图特征样本得到融合图特征样本；目标输出信息包括第一输出信息和第二输出信息，包括：
5.根据权利要求2-4任一项的方法，其特征在于，融合图特征样本的数量为多个；初始多尺度多头自注意力gcn模型包括多头自注意力融合模型和全连接层；根据融合图特征样本对初始多尺度多头自注意力gcn模型进行训...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。