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：山东科技大学

摘要：本发明属于机械故障数据识别技术领域，公开了基于CBAM的多通道特征融合的跨域机械故障诊断方法及应用。该方法包括：采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；使用卷积块注意力模块再进行深层次的多传感器特征提取；再经过卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；将多传感器融合特征输入标签分类器获得故障诊断结果。本发明采用一种最新的多通道域适应的故障诊断方法，高效实现不同工况下轴承的智能故障诊断任务。

主权项：1.一种基于改进的CBAM的多通道特征融合的跨域机械故障诊断方法，其特征在于，该方法包括以下步骤：S1，采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；S2，经过改进的卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；S3，将多传感器融合特征输入标签分类器获得故障诊断结果；在步骤S1中，采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩具体包括以下步骤：1通过试验台实验获取不同工况下不同健康状态的轴承振动信号和声学信号；2对所取得的多传感器轴承振动信号和声学信号进行对齐长度采样，构造具有标签的源域数据集以及无标签目标域数据集；3利用时域信号作为基于改进的CBAM的多通道特征融合的跨域机械故障模型的输入，时域信号数据以行优先原则进行排列为方阵；在步骤S2中，经过改进的卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征：通过多通道的卷积神经网络、全连接层以及改进的CBAM构造多传感器特征提取器，通过多通道的卷积神经网络、全连接层进行并行提取，通过改进的CBAM对提取的多传感器特征进行融合，获得多传感器融合特征；S3，将多传感器融合特征输入标签分类器获得故障诊断结果包括：1通过利用标签分类器对多传感器特征进行健康状态分类，利用交叉熵损失衡量源域与目标域故障诊断性能；交叉熵损失函数如下： 其中，为指标函数，为预测分布的第k个值，k为健康类别个数；改进的CBAM多传感器特征融合模块： 其中，σ是sigomid激活函数，W是全连接神经网络的权重，fn×n是卷积核大小为n×n的卷积操作。

全文数据：

权利要求：

百度查询： 山东科技大学 基于CBAM的多通道特征融合的跨域机械故障诊断方法及应用