【技术实现步骤摘要】
本专利技术涉及机械故障诊断，具体涉及一种可解释三特征提取器网络的跨工况故障诊断方法、结构、存储介质。
技术介绍
1、故障诊断是对系统及设备的数据进行采集、分析和处理，从而实现潜在故障准确诊断的技术。开展机械设备故障诊断研究，具有重大意义。随着人工智能的快速发展，基于深度学习的故障诊断技术由于其优异的特征非线性表征学习和故障诊断能力获得广泛应用。目前，在机械故障诊断中，广泛采用的代表性深度神经网络，包括人工神经网络、卷积神经网络和残差神经网络等。同时，许多学者在代表性方法的基础上，针对特定的故障诊断任务做了改进和创新，以提升故障诊断准确性。例如，针对旋转机械设备的不平衡数据故障诊断，提出了基于图嵌入的深度泛化学习系统；针对故障增量诊断任务，提出了一种基于持续学习的双分支自适应聚合残差网络。
2、深度神经网络模型能够通过强大的学习能力实现智能诊断，然而其自身的算法结构缺乏可靠的理论支撑，内部层与层之间缺乏明确的理论映射关系。这些传统的深度神经网络模型往往缺乏可解释性，被称为黑箱模型。为了提高深度神经网络模型的可解释性，研究人员开...
【技术保护点】
1.一种可解释三特征提取器网络的跨工况故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：所述可解释三特征提取器迁移网络模型包括：
3.根据权利要求2所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：所述可解释特征提取器的三特征提取器策略包括：
4.根据权利要求3所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：基于多层稀疏编码模型的迭代优化求解算法提取数据中的状态特征。
5.根据权利要求2所述的可解释三特征提取器网络的跨工况故...
【技术特征摘要】
1.一种可解释三特征提取器网络的跨工况故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：所述可解释三特征提取器迁移网络模型包括：
3.根据权利要求2所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：所述可解释特征提取器的三特征提取器策略包括：
4.根据权利要求3所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：基于多层稀疏编码模型的迭代优化求解算法提取数据中的状态特征。
5.根据权利要求2所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：所述损失函数包括预测损失和特征对抗损失，所述损失函数的算法包括：；所述α为预测损失函数与特征对抗损失函数的权重比例；为预测损失函数；为特征对抗损失函数。
6.根据权利要求5所述的可解释三特征提取器网络的跨工况故障诊断方法，其特征在于：的算法包...
【专利技术属性】
技术研发人员：王报祥，丁传仓，蒋全胜，陈凯，黄伟国，朱忠奎，
申请(专利权)人：苏州科技大学，
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。