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：唐山三友化工股份有限公司

摘要：本发明涉及电机轴承故障诊断技术领域，特别是涉及一种基于增量学习的永磁同步电机轴承故障诊断方法，故障诊断模型包括卷积注意网络和改进的宽度学习系统，卷积注意网络由三个卷积池对构成的，每个卷积池对包括卷积层、归一化层、池化层和改进的卷积注意模块；改进的宽度学习系统对卷积注意网络输出的细化特征组成的数据集据投影到随机特征空间中；然后通过非线性激活函数对其进行节点增强；最后，将映射特征与增强节点串联传递到输出层；增量学习时，先通过卷积注意网络提取新增故障中的特征，再通过改进的宽度学习系统学习新特征、新标签；本方法能够在识别原有故障类别的同时，在出现新增故障类别的情况下实现增量学习，特征提取的准确性较高，故障诊断结果更加精确。

主权项：1.一种基于增量学习的永磁同步电机轴承故障诊断方法，包括，S1：将历史故障数据集划分为训练集一和测试集一；S2：构建故障诊断模型，通过训练集一中数据对故障诊断模型进行训练，至故障诊断模型收敛，用测试集一测试训练好的故障诊断模型的有效性；S3：将新增故障数据划分为训练集二和测试集二，通过训练集二中数据对训练好的故障诊断模型进行增量学习，对训练好的故障诊断模型进行更新，至更新的故障诊断模型收敛，形成最新故障诊断模型；用测试集二测试最新故障诊断模型的有效性；每次出现一批新增故障数据时，进行一次增量学习，实现故障诊断模型定期更新；其特征在于，故障诊断模型进行数据处理时的具体步骤如下，故障诊断模型包括卷积注意网络和改进的宽度学习系统，卷积注意网络由三个卷积池对构成的，每个卷积池对包括一个卷积层，一个归一化层，一个池化层以及一个改进的卷积注意模块；处理数据时，首先通过卷积层提取输入特征，其次，通过归一化层对所提特征进行归一化处理，然后，通过池化层压缩特征信息，最后，通过改进的卷积注意模块处理输出细化特征；改进的宽度学习系统对卷积注意网络输出的细化特征组成的数据集去掉投影到n维随机特征空间中，并产生映射特征并输出；第i组映射特征可表示为；Zi＝φiXWei+bei1其中，φi为特征映射函数；Wei为随机权重矩阵；bei为随机偏置矩阵，i∈1,2,…,n；输出的映射特征可表示为Zn＝[Z1,Z2,…,Zn]；然后通过非线性激活函数对其进行节点增强，最终生成t组增强节点并输出；第j组增强节点可表示为；Hj＝ξjZiWhj+bhj2式中：ξj为非线性激活函数，Whj为随机生成的权重矩阵，bxj为随机生成的偏置矩阵，j∈1,2,…,t；输出增强特征为Ht＝[H1,H2,…,Ht]；最后，将所有串联的映射特征与增强节点串联传递到输出层；串联过程可表示为；Y＝[Z1,Z2,...,Zn|H1,H2,…,Ht]Wm＝[Zn|Ht]Wm3式中：Wm特征节点和增强节点传送到输出层的权值；令A＝[Zn|Ht]，则改进的宽度学习系统的最终输出可表示为：Y＝AWm4在步骤S3中，通过新增故障数据进行增量学习时，先通过卷积注意网络提取新增故障数据中的特征，得到Dn＝{X'N,Y'N},X'N和Y'N分别代表新增故障类型特征矩阵和相应标签；将Dn输入改进的宽度学习系统中，新增故障数据的映射节点A'N可表示为；A'N＝[ZnX'N|HtX'N]5式中，Zn表示初始模型的特征节点集，Ht为初始模型的增强节点集。

全文数据：

权利要求：

百度查询： 唐山三友化工股份有限公司 基于增量学习的永磁同步电机轴承故障诊断方法