基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法技术

本发明专利技术涉及一种基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，属于故障诊断技术领域，包括以下步骤：S1：通过旋转机械试验台采集轴承及齿轮的故障信号样本；S2：针对每类故障信号，根据故障类型和故障频率以及故障幅值特征，设计相应的故障属性原型；S3：构建卷积神经网络，输入单一故障信号样本进行训练；S4：将复合故障信号输入到训练好的卷积神经网络中得到信号特征；S5：通过阈值分类法判别复合故障信号特征的属性；S6：基于欧式距离的最近邻估计方法度量得到的属性和定义的故障属性原型间的距离，根据距离诊断相应的复合故障类型。

【技术实现步骤摘要】

本专利技术属于故障诊断，涉及一种基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法。

技术介绍

1、随着现代工业的快速发展，机械设备变得更加复杂，对设备的可靠性要求越来越高。机械设备的关键部件，如轴承和齿轮，在恶劣的环境和复杂的工作条件下容易发生故障，从而严重影响机械设备的运行质量和可靠性。除了一些单一故障外，这些部件可能会出现复合故障。与单一故障相比，复合故障更难诊断。因此，研究高精度的轴承和齿轮复合故障诊断方法具有重要意义。

2、传统的复合故障诊断方法多基于故障机理和信号处理技术，然而，这些方法需要大量的动力学或信号处理方面的专业知识，这限制了它们在工程实际中的应用。近年来，随着人工智能的发展，基于深度学习的方法越来越受到人们的关注。尽管基于深度学习的复合故障诊断方法可以实现较高的诊断精度，但它们依赖于大量的故障样本。在实际工程中获取大量的故障数据是相当困难的，尤其是复合故障数据。近年来，为了克服获取目标数据的困难，研究人员提出了各种零样本学习方法，这一类方法可分为嵌入和生成两类。在故障诊断领域，普遍采用嵌入式零样本学习框架。f本文档来自技高网...

【技术保护点】

1.一种基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：步骤S2中具体包括：

3.根据权利要求1所述的基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：在卷积神经网络中通过特征映射sigmoid(F-sigmoid)激活函数放大特征的差异性，其表示为：

4.根据权利要求1所述的基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：对于n层单神经元网络，每一个神经元...

【技术特征摘要】

1.一种基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：步骤s2中具体包括：

3.根据权利要求1所述的基于特征映射sigmoid函数的属性嵌入零样本复合故障诊断方法，其特征在于：在卷积神经网络中通过特征映射sigmoid(f-sigmoid)激活函数放大特征的差异性，其表示为：

4.根据权利要求1所述的基于特征映...

【专利技术属性】
技术研发人员：秦毅，王旅，毛永芳，蒲华燕，罗均，丁星程，
申请(专利权)人：重庆大学，
类型：发明
国别省市：