【技术实现步骤摘要】
本专利技术涉及旋转机械智能故障诊断，特别是涉及一种基于多尺度特征学习与域自适应优化的小样本故障诊断方法。
技术介绍
1、随着我国工业体系的不断发展，旋转机械作为常见的设备类型，正朝着大型化、高效率和高性能方向发展。然而，由于旋转机械长期处于高转速、重负载和温度变化等恶劣条件，其关键部件易发生失效，导致设备故障。这些故障不仅会影响加工精度和产品质量，还可能损坏设备或生产线，甚至造成安全事故。因此，及时、准确地识别旋转机械故障并有效监控故障演变，对于保障生产安全和提高效率至关重要。
2、近年来，随着机器学习算法的快速进展，数据驱动的故障诊断方法已发展成为工业智能化领域的研究热点。现代工业现场通过高密度传感器网络实时采集设备运行的海量数据，为旋转机械的智能诊断提供了多维度数据支撑。相较于传统依赖信号分析(如傅里叶变换、小波分解)和专家经验的特征提取方法，深度学习的核心优势在于构建具有多层次抽象能力的深度神经网络，通过端到端的学习机制自动提取故障的高级故障特征。这种技术路径不仅避免了传统方法中人工特征工程对专家知识的依赖，还能通过非...
【技术保护点】
1.一种基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，基于所述源域数据集和目标域数据集进行随机抽样组合，构建三元组数据集和域自适应数据集包括：
3.根据权利要求1所述的基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，所述双支路特征提取子网络包括：三元组特征提取子网络和域自适应特征提取子网络，所述三元组特征提取子网络和域自适应特征提取子网络中均采用基于Morlet小波基函数的五层复合架构，包括依次连接的采用Haa...
【技术特征摘要】
1.一种基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，基于所述源域数据集和目标域数据集进行随机抽样组合，构建三元组数据集和域自适应数据集包括：
3.根据权利要求1所述的基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，所述双支路特征提取子网络包括：三元组特征提取子网络和域自适应特征提取子网络，所述三元组特征提取子网络和域自适应特征提取子网络中均采用基于morlet小波基函数的五层复合架构，包括依次连接的采用haar、morlet混合小波核的多尺度小波卷积模块、融合通道-空间注意力机制的自适应小波特征注意力模块、带残差连接的深度残差卷积模块、可变动态路由迭代次数的胶囊网络模块、嵌入dropout层的正则化全连接模块，所述三元组特征提取子网络和域自适应特征提取子网络通过参数共享机制实现梯度同步更新且共享所有网络权重。
4.根据权利要求3所述的基于多尺度特征学习与域自适应优化的小样本故障诊断方法，其特征在于，所述多尺度小波卷积模块用于通过若干不同尺度小波核的小波卷积网络提取多尺度特征，并通过mallat算法进行时频特征分解，输出多尺度小波特征图；所述自适应小波特征注意力模块用于通过通道-空间注意力机制计算多尺度小波特征图内部注意力权重，并利用softmax对多尺度小波特征图进行动态加权处理，获取总体加权特征；所述深度残差卷积模块用...
【专利技术属性】
技术研发人员：陈祝云，高有朋，李泽昊，刘强，林泓琪，马帅，
申请(专利权)人：广东工业大学，
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。