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：东北林业大学

摘要：本发明涉及一种基于SE注意机制混合式网络和批谱惩罚的旋转机械故障诊断方法。首先，本方法通过SESqueeze‑and‑Excitation注意力机制动态地调整神经网络中各通道的权重，增强模型对故障特征的识别能力。同时，引入MixStyle技术，通过在训练过程中概率性地混合来自不同域的样本特征，有效提高了模型在不同运行条件下的泛化性能。此外，本发明还采用批量光谱惩罚BSP策略，通过惩罚最大奇异值来平衡特征的传递性和辨识性，从而提升了模型在跨域故障诊断中的准确率和鲁棒性。该方法经NEFU齿轮数据集和JUN轴承数据集验证，结果表明，相较于传统方法，本发明提出的方法在旋转机械的无监督故障诊断任务中表现出色，具有优越的诊断性能和较高的准确率。

主权项：1.一种基于SE注意机制混合式网络和批谱惩罚的旋转机械故障诊断方法，其特征在于，具体包括以下步骤：S1：问题定义，具体包括；S1.1：假设源域数据被标记，其目的是预测未标记的目标域数据，这里主要研究源域和目标域中的故障类别相同的情况；S1.2：假设源域可用，定义源域，源域的定义如下： 其中，Ds表示源域，是i-th样本，Xs是所有样本的和，是i-th样本的i-th标签，Ys是所有不同标签的和，ns是源域中的样本总数S1.3：假设目标域的标签不可用，则源域的定义如下： 其中，Dt表示目标域，是i-th样本，Xt是所有样本的总数，nt是目标样本的总数；S2：建立SE注意力机制，用于自适应地学习输入特征的权重，具体包括：S2.1：对于每个卷积层的特征图，执行挤压操作以生成通道描述符；S2.2：利用所述通道描述符，通过自门控机制生成一系列通道权重；S2.3：SE的结构图如图2，不同的颜色代表不同的权重，然后通过特征图来生成SE块的输出；S3：实现MixStyle数据增强方法，用于模拟新的风格并增强源域数据的泛化能力，具体包括：S3.1：利用基于特定实例的均值和标准差对特征向量进行归一化，设为一批张量，尺寸标注为x∈RB×C×H×W，B,C,HW分别表示批次、通道、高度和宽度。然后，IN表示为： 其中，μx和σx分别是跨空间维度对每个通道内的每个实例计算得到的平均值和标准差，γ和β是可学习的仿射变换参数；S3.2：引入自适应实例归一化AdaIN，它简单地取代了等式中的尺度和位移参数5与样式输入y的特征统计数据一起使用，允许任意的样式传输： S3.3：结合混合style扰动源域训练实例的样式信息来规范化CNN训练，它可以作为一个模块插入到CNN层中，MixStyle通过随机凸加权混合两个实例的特征统计量来模拟一种新的样式，它可以集成到小批处理训练中，其中，给定一个输入批处理，混合样式首先通过混合生成，当提供域标签时，将从两个不同的域进行采样，生成的批量变化图如图3所示；S4：引入批量谱惩罚BatchSpectralPenalization,BSP方法，用于惩罚最大奇异值并增强其他特征向量，具体包括：S4.1:利用一种基于线性判别分析LDA的方法，计算了类间方差Sb和类内方差Sw； 其中，c是类别数量，每个类别都有nj样本，通过f提取的深度特征是f＝Fx，μj和μ分别是j类和所有类的特征向量中心，Fj是j类中所有特征向量的集合；S4.2:对于源域和目标域的特征矩阵，分别应用奇异值分解SVD获取最大的奇异值；S4.3:将所述最大奇异值作为正则化项，对每个批次内的特征向量进行惩罚；S5:构建对抗性域适应模型，用于通过对抗训练学习可迁移的特征，具体包括：S5.1:生成对抗网络GANs由两个主要组件组成：一个生成器Gz和一个鉴别器Dz，GAN的损失函数可分为两部分，分别对应于生成器和鉴别器的训练目标；S5.2:利用生成对抗网络GANs中的生成器生成逼真样本；S5.3:利用鉴别器区分生成样本和真实样本；S5.4:通过最小化生成器和判别器之间的损失函数进行训练；S6:进行实验验证，包括：S6.1:利用NEFU齿轮数据集和JUN轴承数据集进行无监督域泛化实验；S6.2:如图7-12，通过混淆矩阵、聚类图和F1分数图等多角度评估模型性能；S6.3:将所提方法与其他先进方法进行比较，验证其优越性；S7:进行模型应用，将训练好的模型应用于实际旋转机械的故障诊断中，实现实时监测和故障预警；S8:进行模型更新，根据实际应用中的反馈，不断更新孪生振动信号数据库，优化模型性能。

全文数据：

权利要求：

百度查询： 东北林业大学 一种基于SE注意机制混合式网络和批谱惩罚的旋转机械故障诊断方法