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：太原科技大学

摘要：本发明涉及基于十字绣网络的刀具多任务高协同监测方法，包括以下步骤：S1、采集刀具振动信号，构建训练数据集和测试数据集；S2、异常检测任务采用小波神经网络进行特征提取，RUL预测任务采用门控循环网络进行特征提取；S3、构建十字绣网络，进行深度特征提取和分流式特征融合；S4、构建正则化损失函数，输入训练数据集，利用自动权重调节策略自适应优化不同任务损失权重，使正则化损失函数达到最小，完成网络训练；S5、将测试数据集输入到训练好的网络模型中，得出异常检测任务和RUL预测任务结果。本发明创新性的将十字绣网络引入并对其进行优化改进应用到刀具多任务监测中，显著提高刀具多任务协同性，能够实现更高的分类和预测精度，且良好的稳定性。

主权项：1.基于十字绣网络的刀具多任务高协同监测方法，其特征在于，包括以下步骤：S1、采集刀具振动信号，将采集的振动信号构成数据集，数据集包括训练数据集和测试数据集，数据集表示如下： y∈{0,1}2式中，X表示数据集，N表示数据样本个数，xt、yt、RULt分别表示数据集中第t个数据样本以及对应的异常检测任务的真实标签和RUL预测任务的真实标签；数据集中包含有不同磨损程度的数据样本，将磨损程度小于0.16mm的数据样本设为正常样本，赋予标签0；将磨损程度大于等于0.16mm的数据样本设为异常样本，赋予标签1，将RUL预测标签的磨损阈值设为0.16mm；S2、为了确保各任务特征的独特性，分别构建不同的分支进行特征提取，异常检测任务采用小波神经网络进行特征提取，RUL预测任务采用门控循环网络进行特征提取；S3、构建十字绣网络，所述十字绣网络包括输入层、通道共注意模块、空间共注意模块、时间共注意模块、分流式特征融合模块和输出层；将经过小波神经网络和门控循环网络提取的特征输入到十字绣网络中，进行异常检测任务和RUL预测任务特征的深度融合；所述输入层用于接收异常检测和RUL预测任务的输出特征，所述通道共注意模块通过计算不同通道特征之间的相似性生成各任务的注意力矩阵，获得通道共注意模块的输出特征；所述空间共注意模块通过计算不同特征空间之间的相似性生成共享注意力矩阵，获得空间共注意模块的输出特征；所述时间共注意模块通过计算不同特征时间之间的相似性生成共享注意力矩阵，获得时间共注意模块的输出特征；分流式特征融合模块接收通道共注意模块、空间共注意模块和时间共注意模块的输出特征并进行深度融合，获得深度融合特征；输出层接收深度融合特征并分别进行异常检测和RUL预测任务的输出；S4、构建正则化损失函数，输入训练数据集，利用自动权重调节策略自适应优化不同任务损失权重，使正则化损失函数达到最小，完成网络训练；S5、将测试数据集输入到训练好的网络模型中，得出异常检测任务和RUL预测任务结果。

全文数据：

权利要求：

百度查询： 太原科技大学 基于十字绣网络的刀具多任务高协同监测方法