一种基于多尺度特征融合和增量学习的时频图故障诊断方法与设备技术

本发明专利技术属于设备零部件故障诊断相关技术领域，其公开了一种基于多尺度特征融合和增量学习的时频图故障诊断方法与设备，步骤为：(1)采用旧类别数据作为训练数据，对初始神经网络进行训练以得到能够对旧类别数据对应的故障进行分类的模型ModelZ；(2)将新类别数据分为预定批次，进而基于增量学习对模型ModelZ进行训练以得到能够对新类别数据识别的模型ModelX(k)及能够对新类别数据及旧类别数据对应的故障进行分类诊断的模型ModelY(k)(3)将待测设备的实时时域信号转换成二维时频图像后输入到模型ModelX(k)，以得到当前的旧类别数据及新类别数据，进而模型ModelY(k)实现故障类别分类。本发明专利技术提供了效率及准确性。

【技术实现步骤摘要】

本专利技术属于设备零部件故障诊断相关，更具体地，涉及一种基于多尺度特征融合和增量学习的时频图故障诊断方法与设备。

技术介绍

1、机械设备的健康运维与故障诊断是工业生产生活中的重中之重，若机械设备在工作时发生故障，则有可能造成生产线的停滞与不可估计的损失。在这样的背景下，机械设备的故障诊断一直都是研究的重点与热点。近年来，基于深度学习的故障诊断方法得到了空前的发展。深度学习模型具有较强的可迁移性和泛化能力，这使得深度学习越来越多的应用于机械设备和机构的故障诊断中，并取得了显著的效果；并且随着卷积神经网络的发展，图像识别与分类也成为近年来的热门方向之一，但是受限于深度神经网络自身的特点，一般的故障诊断模型在学习新数据时会遗忘已学习的旧知识，这种现象被称为灾难性遗忘。

2、为了解决这一问题，研究者们提出了一种增量学习的方法，旨在让模型能够在学习新类别或新任务的同时又能较好地保持在已学习类别或任务上的性能。比如在训练新数据时，添加部分旧的有代表性的数据集进行混合训练，这种方法在一定程度上解决了深度学习网络灾难性遗忘的现象，但随着新数据类别的不断增多，该本文档来自技高网...

【技术保护点】

1.一种基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：ModelX(k)输出其接收到的每个数据的LSE值，进而依据LSE值与设定阈值的比较结果来识别对应的数据是新类别数据还是旧类别数据。

3.如权利要求1所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：模型ModelY(k)的全连接层权重的计算公式为：

4.如权利要求1所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：其中，模型ModelY(k)...

【技术特征摘要】

1.一种基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：modelx(k)输出其接收到的每个数据的lse值，进而依据lse值与设定阈值的比较结果来识别对应的数据是新类别数据还是旧类别数据。

3.如权利要求1所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：模型modely(k)的全连接层权重的计算公式为：

4.如权利要求1所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：其中，模型modely(k)对新类别数据k的输出结果定义为对旧类数据的输出结果定义为根据新旧图像数据类别权重的不同将wmodely分为wold和wnew；模型modely(k)的输出结果的表达式为：

5.如权利要求4所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：η的取值为(0.82，0.96)。

6.如权利要求1-5任一项所述的基于多尺度特征融合和增量学习的时频图故障诊断方法，其特征在于：基于transformer的自注意力公式为：其中q、k、v分别是查询、键和值向...

【专利技术属性】
技术研发人员：沈卫明，员涵方，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：