适用于高端装备的注意力孪生智能迁移可解释性诊断方法

专利主权项内容

1.一种适用于高端装备的注意力孪生智能迁移可解释性诊断方法，其特征在于，包括以下步骤：步骤S1、获取高端装备模拟试验台中轴承和齿轮的故障信号，得到轴承故障样本和齿轮故障样本；步骤S2、数据预处理：将三个变负载下的轴承数据和三个变转速下的齿轮数据进行顺序组合，并添加健康样本，将每类健康样本设置成不同的不平衡样本大小，并对不平衡样本做时频转换变换为频域信号，同时做标准化处理；步骤S3、构建注意力孪生智能迁移可解释性诊断模型步骤S3.1、搭建双分支卷积神经网络模型，该双分支卷积神经网络模型共分为5个卷积层、5个池化层和一个全连接层，模型中包含批标准化层和L2正则化；步骤S3.2、设计跨模块串联的跨模块双注意力机制模块，并建立对应模块的特征可视化方法；跨模块双注意力机制模块包括通道特征注意力模块CFAE和片段特征注意力模块FFAE，通过通道特征注意力模块CFAE增强不平衡样本不同通道中的特征值，通过片段特征注意力模块FFAE增强不平衡样本不同特征片段的特征值；步骤S3.3、引入对比损失函数来构建孪生特征融合网络模块；步骤S3.4、将跨模块双注意力机制模块和孪生特征融合网络模块插入双分支卷积神经网络模型，构建不平衡样本下的注意力孪生智能迁移可解释性诊断模型；其中CFAE模块被放置于第3个池化层后，FFAE模块被放置于第5个卷积层后，在全局平均池化GAP层应用孪生特征融合网络；步骤S4、使用步骤S2所得不平衡样本数据对注意力孪生智能迁移可解释性诊断模型进行训练，注意力孪生智能迁移可解释性诊断模型采用的是任意两种负载或转速下的不平衡样本数据进行训练，此处先用两个工况下的不平衡样本数据进行训练；步骤S5、使用测试集对注意力孪生智能迁移可解释性诊断模型进行诊断效果测试；经训练完成后的注意力孪生智能迁移可解释性诊断模型内部权重和偏置等参数固定，进而使用其它转速或负载下的数据对模型的诊断效果进行验证，绘制与其它模型的诊断对比箱型图及混淆矩阵，展示模型性能；步骤S6、借助步骤S3中的跨模块双注意力机制模块，对注意力孪生智能迁移可解释性诊断模型学习到的统计特征进行可视化展示，首先展示通道特征注意力模块CFAE对不同通道特征的增强，然后展示片段特征注意力模块FFAE对不同片段的特征增强，同时对激活权重进行可视化展示，进而结合频谱波形，展示模型具体学习到了哪些统计特征信息；W2步骤S7、借助步骤S3孪生特征融合网络模块，对注意力孪生智能迁移可解释性诊断模型学习到的变工况下不平衡样本中的不随工况转变的跨域融合与不变特征进行展示，进一步解释智能模型学习到的特征信息。