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：大连理工大学

摘要：本发明涉及人工智能领域，尤其涉及一种基于AT‑STNN的涡扇发动机轴承故障识别方法。该方法将具有通道注意力机制的SE‑TCN与SE‑CNN结构进行加权融合，构建了一个高效且精准的故障识别模型AT‑STNN。这种结构的设计，使得网络能够有效地提取时间和空间特征信息，从而在涡扇发动机轴承故障识别任务中，实现了高效和准确的识别。该方法不仅提高了故障识别的准确率，还降低了误报率，为发动机的安全运行提供了有力保障。使得该方法在航空发动机故障预警和健康管理领域具有广阔的应用前景。

主权项：1.一种基于AT-STNN的涡扇发动机轴承故障识别方法，其特征在于，包括以下步骤：步骤1、使用加速度传感器采集涡扇发动机轴承振动信号数据，并对数据预处理得到标准采样序列；随机化标准采样序列顺序，并按照一定比例划分训练集、验证集与测试集；步骤2、对标准采样序列进行变分模态分解以及基于快速傅里叶变换的时域重构，分别得到CVMD个一维时间特征以及CFFT个二维空间特征；步骤2.1：选择适当的模态数量CVMD，对于标准采样序列进行变分模态分解，得到一组包含CVMD个不同模态的一维时间特征其中Vi为第i个模态对应的模态函数；步骤2.2：对输入的标准采样序列进行快速傅里叶变换并取幅值均值其中B为输入的标准采样序列数量，为第b个标准采样序列ω频率下的幅值，为ω频率下输入的平均幅值；选取CFFT个最高平均幅值对应频率以其周期的d倍，即作为列数将输入的标准采样序列分别分割为CFFT个二维空间特征其中： 式中，Fi为以ci为长度分割标准采样序列得到的二维空间特征，ri为该二维特征的行数，m为该标准采样序列的长度，序列长度小于ci×ri时以“0”补足Fi最后一行；步骤3、搭建AT-STNN模型并初始化网络模型的权重和超参数；对AT-STNN模型进行训练、验证以及测试；AT-STNN模型包含并行的使用通道注意力机制的SE-TCN结构和SE-CNN结构；SE-TCN结构的输入为一维时间特征DVMD，该结构包含多层残差卷积-注意力块，每一层的残差卷积-注意力网络结构均一致，均由两层卷积的残差卷积与通道注意力网络的串联；DVMD数据通过该结构的计算，再经过全连接层，得到SE-TCN结构的输出；SE-CNN结构的输入为不同大小形状的二维空间特征DFFT，该结构包括多层Inception卷积-注意力块和特征融合卷积层，每个Inception卷积-注意力块中，包含Inception结构卷积、通道注意力网络、ReLU激活层以及池化层；将经过多层含有Inception卷积-注意力块的特征提取层计算后得到的CFFT组二维K通道特征数据，按通道进行展平，得到CFFT组K个一维特征数据，以堆叠方式对其进行拼接，得到CFFT×K行，以最长一维特征数据的长度为列数的二维拼接特征，以“0”补全短序列；将拼接特征输入含有Inception卷积-注意力块的融合卷积层中进行特征融合并进行全连接，得到SE-CNN结构的输出；对SE-TCN网络和SE-CNN网络的输出结果分别赋予权重α以及β进行加权融合，取其和作为AT-STNN模型的最终输出，其中，α+β＝1；步骤3.1：初始化网络模型的权重和超参数；步骤3.2：将训练集数据批量输入至AT-STNN模型，通过模型前向传播得到输出结果，并与其独热码标签进行对比，通过计算MSE指标获得数据损失值，利用其反向传播的求导结果，更新网络权重；重复该步骤，直至使用全部训练集数据完成一次模型迭代训练；步骤3.3：将验证集输入至AT-STNN模型，通过模型前向传播得到输出结果，并与其独热码标签进行对比，通过计算MSE指标获得模型完成e次训练的验证集损失值Le并记录；步骤3.4：当e≥2nl-1时，对比最近nl次和最近nl～2nl次迭代模型输入验证集所得到损失值的平均值与如其平均下降幅度大于停止阈值μ，即满足重复步骤3.3；反之，即模型的训练已经达到预期指标，停止训练，得到最优模型；步骤3.5：将测试集输入至步骤3.4获得的最优的AT-STNN模型，对其进行测试，模型的输出结果即为对于涡扇发动机轴承故障识别结果。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于AT-STNN的涡扇发动机轴承故障识别方法