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：江南大学

摘要：本发明公开了一种基于分支注意对比迁移学习的齿轮箱跨域故障诊断方法，涉及故障诊断技术领域，该方法包括：获得齿轮箱某一工况下的有标签振动信号与实际待测变速工况下大量的无标签振动信号样本。首先对振动信号作最值归一化处理，降低不同转速导致信号幅值波动给诊断模型带来的影响。其次构建基于多尺度卷积与分支注意力的特征提取网络，基于对比学习预训练网络，提取源域有标签样本和目标域大量无标签样本中的通用特征，然后基于迁移学习引入多核最大均值差异训练网络，对齐源域与目标域的差异，提高模型跨域故障特征提取能力。保存训练完成的模型，实现利用源域少量有标签样本与目标域大量无标签样本的齿轮箱无监督跨域故障诊断。

主权项：1.一种基于分支注意对比迁移学习的齿轮箱跨域故障诊断方法，其特征在于，所述方法包括：步骤一：在齿轮箱稳定转速工况下采集一定量的有标签振动信号，振动信号为一维时序数据，所述稳定转速工况为源域；并在齿轮箱实际待测变转速工况下收集大量无标签振动信号与少量有标签振动信号，所述实际待测变转速工况为目标域；步骤二：采用随机划窗的方式从振动信号中截取一定长度的数据样本制作数据集，每条样本经过最大最小归一化作预处理；数据集整理为训练集和测试集，所述训练集包括用于对比学习的正负样本对和用于迁移学习的源域目标域样本对，所述测试集为目标域中的有标签振动信号，其中：所述用于对比学习的正负样本对包含在源域构造的正负样本对和在目标域构造的正样本对，所述正样本对由两个视为同类的样本组成，其标签设置为0，所述负样本对由两个视为异类的样本组成，其标签设置为1；在源域中根据类别构造正负样本对，同时根据故障类别设置源域有标签样本的类别标签；在目标域中通过对原样本添加随机高斯噪声构造正样本，添加噪声后的样本与原样本视为同类，每次添加的高斯噪声信噪比在设定范围内随机取值，目标域仅有正样本对；所述用于迁移学习的源域目标域样本对包含源域有标签样本和目标域无标签样本，所述源域有标签样本根据源域样本来源的振动信号故障类别设置标签；步骤三：搭建齿轮箱跨域故障诊断网络模型MSC-MHSA-ECA，初始化模型参数，包括设置对比学习与迁移学习的训练轮次、模型迭代次数、批量大小以及学习率，其中：所述MSC-MHSA-ECA为构建的多尺度卷积特征融合分支注意网络，包括并行的低频特征提取通路与局部时域特征提取通路、特征融合分支注意模块和分类网络，模型网络采取孪生网络结构，除分支注意力ECA模块外其余网络权值共享，用以同时输入源域与目标域数据；所述低频特征提取通路和所述局部时域特征提取通路均包括卷积层、池化层及自适应批归一化层，输入为齿轮箱源域与目标域数据，输出为大小相同的特征向量；所述低频特征提取通路采用大卷积核，所述局部时域特征提取通路采用小卷积核；所述特征融合分支注意模块包括MHSA模块、ECA模块及自适应批归一化层，所述MHSA模块利用不同参数下的投影进行基于相似度的振动信号融合特征学习，所述ECA模块是一种改进的通道注意力，其将注意力机制嵌入到卷积层，实现了对通道权重的分配；所述分类网络包括池化层、全连接层和Softmax分类器，利用平均池化以降低特征维度，采用一层全连接及Softmax分类器进行故障特征分类；步骤四：基于对比学习方法，采用所述用于对比学习的正负样本对对所述MSC-MHSA-ECA进行预训练，其中：所述对比学习方法采用基于度量学习的对比学习方法，所述度量采用欧式距离，度量损失函数的目标是最小化输入的正样本对各自特征向量之间的欧式距离以及最大化输入的负样本对各自特征向量之间的欧式距离；所述特征向量为网络针对输入在分类网络中池化层之后的输出向量；步骤五：在经过步骤四训练得到的初始网络参数的基础上，基于迁移学习方法，采用所述用于迁移学习的源域目标域样本对对所述MSC-MHSA-ECA继续进行训练，其中：所述迁移学习方法采用基于最大均值差异的域自适应方法，损失函数包含源域样本的分类损失和源域与目标域样本的分布损失；所述分类损失采用交叉熵损失，所述分布损失采用多核最大均值差异损失；步骤六：将测试集的有标签样本按照一定长度进行截取，预处理之后输入步骤五中训练完成的齿轮箱跨域故障诊断网络模型，得到故障诊断结果。

全文数据：

权利要求：

百度查询： 江南大学 一种基于分支注意对比迁移学习的齿轮箱跨域故障诊断方法