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！

摘要：本申请提供一种旋转机械的故障诊断方法及系统，该方法包括采集不同故障类型的旋转机械的原始振动信号；基于麻雀搜索优化算法对特征模态分解算法的模态数和滤波器长度进行优化，并获得全局最小包络熵值以及对应的最佳种群参数组合；对原始振动信号进行分解，并获得两个以上模态分量；计算两个以上模态分量的峰度值，并选取最大峰度值的模态分量定义为最优模态；将最优模态输入至一维卷积神经网络，并利用一维卷积神经网络消除部分噪音以及抑制过拟合；利用门控循环单元捕获信号序列的时序关系；利用自注意力机制计算门控循环单元的输出对应的注意力得分，并构建一故障诊断模型；获取一振动信号输入至所述故障诊断模型，并输出对应的故障类型。

主权项：1.一种旋转机械的故障诊断方法，其特征在于，包括：采集不同故障类型的旋转机械的原始振动信号；基于麻雀搜索优化算法对特征模态分解算法的模态数和滤波器长度进行优化，并获得全局最小包络熵值以及对应的最佳种群参数组合；利用参数优化后的特征模态分解算法对原始振动信号进行分解，并获得两个以上模态分量；计算两个以上模态分量的峰度值，并选取最大峰度值的模态分量定义为最优模态；将最优模态输入至一维卷积神经网络，并利用一维卷积神经网络消除部分噪音以及抑制过拟合；利用门控循环单元捕获信号序列的时序关系；利用自注意力机制计算门控循环单元的输出对应的注意力得分，并构建一故障诊断模型；获取一振动信号输入至所述故障诊断模型，并输出对应的故障类型，其中，所述将最优模态输入至一维卷积神经网络，并利用一维卷积神经网络的卷积层消除部分噪音以及抑制过拟合的步骤中，所述一维卷积神经网络包括卷积层、池化层、全连接层以及分类层，其中，所述将最优模态输入至一维卷积神经网络，并利用一维卷积神经网络的卷积层消除部分噪音以及抑制过拟合的步骤中，将最优模态输入至一维卷积神经网络，且最优模态由滤波器卷积处理；利用激活函数生成特征矩阵，且每个卷积单元对应感受野的部分，其中感受野是指在输入数据中被卷积单元所覆盖的区域；卷积操作过程如下公式所示： 其中，ReLU·和*代表激活函数和卷积运算；xlj定义为卷积层l中的第j个局部区域；和分别是第i个卷积核的权重和偏置，表示卷积操作和Relu激活后的输出特征，其中，所述将最优模态输入至一维卷积神经网络，并利用一维卷积神经网络的卷积层消除部分噪音以及抑制过拟合的步骤中，利用池化层提取卷积后的特征矩阵的重要特征，最大池化的公式如下所示： 其中，表示l层处的第i个特征中的第t个神经元的值，t∈[j-1W+1,jW]，W是池化区域的宽度；表示的是l+1层第i特征的输出值；利用全连接层将二维特征转化为一维向量，全连接层公式如下所示： 其中，和是权重和偏置；表示第l层的第i个特征中的第t个神经元的值，m表示第l层特征的总数，n代表第l层的第i个特征中神经元的总数，其中，所述利用门控循环单元捕获信号序列的时序关系的步骤中，ut＝fWu·[at,ht-1]rt＝fWr·[at,ht-1] 其中，at为当时时刻模型输入，ht-1为上一时刻隐状态，rt和ut分别为当时时刻重置门输出结果和更新门输出结果，为候选隐状态，用来描述当前时刻的输入状态和更新门状态，ht为隐状态，如果ut的值接近0，则隐状态会更加关注t时刻之前的信息，反之则接近候选隐状态，f为激活函数，Wu，Wr，W分别为重置门、更新门和候选输出集的权重系数，⊙表示矩阵之间的乘积，其中，所述利用自注意力机制计算门控循环单元的输出对应的注意力得分，并构建一故障诊断模型的步骤中，对一个输入序列x＝{x1,x2,…,xn},xi∈Rk,首先通过自适应映射，获得三个向量 是一个参数矩阵；计算向量qi和向量ki之间的相似度，得到一个注意力得分αi,j，计算公式为： 其中，dk代表kj的维度；使用softmax函数对αi,j进行归一化得到权重系数计算公式为： 其中，αi,j为注意力得分，n表示输入向量的个数；将向量vi与相应的权重系数相乘求和得到注意力值，计算公式为： 其中，zi是xi的注意力，同时计算x中每个值对应的关注度值，以形成新的特征序列z＝{z1,z2,…,zn}。

全文数据：

权利要求：

百度查询： 安徽大学 旋转机械的故障诊断方法及系统