【技术实现步骤摘要】
本专利技术涉及了一种复杂装备关键零件故障诊断方法，尤其是涉及了一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法。
技术介绍
1、轴承、齿轮、电机等复杂装备关键零件已广泛应用于制造、航空、交通等领域，恶劣的工作环境给它们带来健康损伤。随着损伤的不断积累，可能会导致严重的事故。在工业生产上，对复杂装备关键零件进行故障诊断是非常有意义的，不仅可以发现早期故障征兆、便于安排复杂装备维护保养、缩短其维修周期、延长使用时间，还可以预防重大事故、保障人身安全、节省运维成本。
2、在学术界和工业界，数据驱动的故障诊断方法受到越来越多的关注，分为基于传统机器学习的故障诊断方法和基于深度学习的故障诊断方法。基于传统机器学习的故障诊断方法提取特征需要很大人力成本，且泛化性较差，无法适用于大量的数据，大多采用支持向量机(svm)、人工神经网络(ann)、决策树、k最邻近(knn)算法等。基于深度学习的故障诊断方法克服了基于传统机器学习的故障诊断方法的不足，大多采用卷积神经网络(cnn)、自编码器(ae)、深度置信网络(dbn)、循环神经网络(
本文档来自技高网...【技术保护点】
1.一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述S2中，并行残差收缩网络包括依次相连的宽核卷积层、多个并行残差收缩构建单元、第一批归一化层、第一激活函数模块、第一全局平均池化层和第一全连接层，并行残差收缩网络的输入作为宽核卷积层的输入，第一全连接层的输出作为并行残差收缩网络的输出。
3.根据权利要求2所述的一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述并行残差收缩构建单元包括三个收缩子...
【技术特征摘要】
1.一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述s2中，并行残差收缩网络包括依次相连的宽核卷积层、多个并行残差收缩构建单元、第一批归一化层、第一激活函数模块、第一全局平均池化层和第一全连接层，并行残差收缩网络的输入作为宽核卷积层的输入，第一全连接层的输出作为并行残差收缩网络的输出。
3.根据权利要求2所述的一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述并行残差收缩构建单元包括三个收缩子模块，并行残差收缩构建单元的原始输入通过拆分操作使特征沿时间维度分成两半，获得第一分支输入和第二分支输入，第一分支输入作为第一收缩子模块的输入，第二分支输入作为第二收缩子模块的输入，第一收缩子模块和第二收缩子模块用于提取局部的细粒度特征；并行残差收缩构建单元的原始输入作为第三收缩子模块的输入，用于对特征整体进行处理来提取全局的粗粒度特征；第一收缩子模块的输出和第二收缩子模块的输出通过拼接操作沿时间维度进行合并后，再与第三收缩子模块的输出进行逐元素相加后获得融合后的特征，实现粗、细粒度特征融合；最后将并行残差收缩构建单元原始输入的恒等映射与融合后的特征进行逐元素相加后再作为并行残差收缩构建单元的输出。
4.根据权利要求3所述的一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述收缩子模块包括批归一化层、激活函数模块、卷积层、阈值模块和软阈值函数计算单元；收缩子模块的输入作为第二批归一化层的输入，第二批归一化层的输出依次经过第二激活函数模块、第一卷积层、第三批归一化层、第三激活函数模块和第二卷积层，第二卷积层的输出同时作为阈值模块和软阈值函数计算单元的输入，阈值模块和软阈值函数计算单元相连，软阈值函数计算单元的输出作为收缩子模块的输出。
5.根据权利要求4所述的一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述软阈值函数计算单元中，软阈值函数的公式如下：
6.根据权利要求4所述的一种...
【专利技术属性】
技术研发人员：刘振宇，钟鹏程，刘惠，杨宵祺，董子晗，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。