买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明公开了一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法，包括步骤如下：首先对随机噪声下的比例伺服阀及执行器进行位移、电流、压力等信号的采集，并将所采集的信号利用离散小波包变换及信号重构分离出噪声；然后，将去噪重构的信号划分为训练样本集与测试样本集；接着再将训练样本输入到所构建的注意力卷积胶囊网络算法中进行训练，以正类别损失、负类别损失和正则化项作为损失函数，增强类别间的分离，提高模型的泛化能力；最后，将测试样本集输入到训练好的故障诊断方法中进行比例伺服阀状态测试与智能故障诊断。此外，本发明简单易行，适用于比例伺服阀随机噪声下智能化、强鲁棒的故障特征提取与诊断。

主权项：1.一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法，其特征在于，包括以下步骤：步骤1：通过不同的传感器，采集比例伺服阀的相关信号作为原始信号，对原始信号进行离散小波变换及信号重构处理，去除原始信号中的随机噪声，同时保留信号中的关键信息，得到转化数据，将转化数据按比例划分为训练样本集和测试样本集，具体如下：使用离散小波变换DWT对原始信号s进行多级分解，将原始信号s分解为不同频率层次上的近似系数和细节系数，表示为：DWTs＝{cAn,cDn,cDn-1,...cDi,...cD1}其中，cAn表示第n级的近似系数，cDi表示第i级的细节系数，i＝1，2......n；对噪声的标准差进行估计，使用第1级的细节系数cD1来估计信号中噪声标准差σ1；噪声标准差σ1如下式： 其中，median表示中位数运算；基于噪声标准差σ1，计算用于去噪的阈值λ，计算公式如下： 其中，N是信号的长度，常数项k1大于1；对于每级分解得到的细节系数cDi，应用软阈值处理，去除小于阈值的噪声成分，软阈值处理的公式为：cD'i＝signcDicDi|-λ+其中，cD'i是去噪后的细节系数，sign·是符号函数，·+表示只取正值部分；利用去噪后的细节系数cD'i，通过逆离散小波变换重构去噪后的信号，重构信号的过程是DWT的逆过程，合并各个频率层次的信息重建信号，具体如下：x′＝IDWT…IDWTIDWTcAn,cD'n,…cD'i,cD'1其中，IDWT表示逆离散小波变换操作，它接收一对近似系数和细节系数并重构出上一级的信号或近似系数；x′是经过离散小波变换重构后的去噪信号，即为转化数据；步骤2：构建注意力卷积胶囊网络，注意力卷积胶囊网络采用一维卷积网络作为初级特征提取器，结合ECA注意力机制，学习不同通道的重要性，从而更有效地融合通道间的高层特征，利用胶囊网络作为高级特征提取器和最终的故障分类器；将训练样本集输入到注意力卷积胶囊网络中进行比例伺服阀诊断模型的训练，得到训练好的故障诊断模型；其中，将训练样本集输入到注意力卷积胶囊网络中进行比例伺服阀诊断模型的训练，得到训练好的故障诊断模型，具体如下：步骤2.1：训练样本集先后经过一维卷积网络、ECA注意力机制和胶囊网络；一维卷积网络为四层网络结构，每层网络中均包含一维卷积Conv1D、批标准化BN和LeakyReLU激活LReLU；一维卷积Conv1D：对于输入x，卷积操作y表示为：y＝W*x+b其中，*是卷积操作，W是卷积核的权重，b是偏置；批标准化y′表示为： 其中，μ是批数据的均值，是批数据的方差，∈是常数项，0∈1，γ和β均为可学习的参数；LeakyReLU的表达式z为：z＝maxαy′,y′其中α为小于1的常数项，max是取最大值运算；步骤2.2：经过初级特征提取器提取后，得到六个通道的特征图，使用ECA注意力机制，经通过自适应地学习通道间的交互，强调重要的特征通道，同时抑制不重要的通道，得到胶囊网络的输入；所述胶囊网络包括初级胶囊层、数字胶囊层和输出层，其中：初级胶囊层用于对来自ECA注意力机制的特征图进行进一步特征提取，将变量结果向量化处理；数字胶囊层的用于对初级胶囊层输出的向量化特征进行动态路由；这个过程涉及到计算不同胶囊之间的关联程度，并据此调整它们的连接权重；输出层负责将数字胶囊层的输出转换为最终的预测结果，在输出层中，从数字胶囊层接收到的多维向量被进一步处理，以生成最终的类别概率分布，实现对故障的分类；其中，数字胶囊层，以初级胶囊层的输出作为输入，在相邻的两个胶囊层之间引入动态路由协议算法以聚类的方式来建立低层胶囊到高层胶囊之间复杂的非线性映射；低层胶囊与高层胶囊之间是部分-整体的关系，低层胶囊倾向于将输出传递给与其与更高协议的高层胶囊；依据胶囊间协议的大小，利用动态路由协议算法增强或减弱相应胶囊对之间的连接概率；动态路由协议算法的计算及更新过程如下：初级胶囊层第e个胶囊输出的特征映射乘以变换矩阵We,f得到中间预测向量 对于数字胶囊层的第f个胶囊df，其由所有与其连接的低层胶囊的中间预测向量的加权求和得到，且胶囊df经Squashing函数映射后，得到高层胶囊层输出的特征映射 其中，ce,f为耦合系数，也称权重系数；低层胶囊与高层胶囊间的连接概率直接由耦合系数的大小来决定，对于第e个低层胶囊而言，与所有高层胶囊间的耦合系数的总和为1；耦合系数ce,f由Softmax函数计算得到： 其中，be,f为第e个低层胶囊与第f个高层胶囊连接的代数先验概率；对所有可能类别的be,g取指数后求和；G为类别总数，当前类别g＝1,2,……,G；be,f的初始值为0，在后续每轮迭代过程中，通过与协议值ae,f相加进行更新，即：be,f＝be,f+ae,f其中，协议值ae,f定义为中间预测向量与高层胶囊层输出的特征映射的点积，由动态路由协议算法Routing计算得到： 经过动态路由协议算法的多次迭代更新，即可获得高层胶囊最终的输出特征映射以及其相应的耦合系数ce,f；·表示点积运算；输出层，对每个类别的输出向量求模长，然后在类别间使用softmax函数来计算每个类别的概率；设vf为数字胶囊层中第f类的输出向量；计算每个类别的向量模长：lf＝||vf||其中，lf是类别f的输出向量模长，使用Softmax函数来计算每个类别的概率： 其中，Py＝f|v表示给定向量v时，数据属于类别f的概率，f＝1,2,3...h，h为输出层的总类别数，∑求和运算是在所有可能的输出层类别上进行的；步骤2.3：以正类别损失、负类别损失和正则化项作为注意力卷积胶囊网络的损失函数，对于每个类别k，损失函数Lk定义为： 其中，vk是类别k的胶囊输出向量的长度，Tk是一个指示变量，当类别k是正确类别时为1，否则为0；m+和m-是正负边距的阈值，λ1是一个缩放参数，用于平衡正负例的损失，||·||表示范数运算，λ2是正则化系数，wii代表网络中的权重；步骤2.4：将训练样本集输入到注意力卷积胶囊网络中进行比例伺服阀诊断模型的训练，通过最小化损失函数来更新权重参数，得到训练好的故障诊断模型；步骤3：将测试样本集输入到训练好的故障诊断模型中进行比例伺服阀状态智能故障诊断与识别。

全文数据：

权利要求：

百度查询： 南京理工大学 一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法