CN118820882B 基于数字孪生的故障诊断方法、系统、电子设备及介质 （中国计量大学）

WO2023020388A1,2023.02.23域数据分别输入故障诊断模型中的第一特征提含故障数据的待诊断故障集输入目标模型进行2述单一故障数据和所述复合故障数据进行模拟数据采样得将所述训练集输入所述第一特征提取器进行特征提取，输出真实基于所述真实域特征和所述仿真域特征对所述故障诊断模型进行获取包含故障数据的待诊断故障集，并将所述待诊断故障集输基于多头自注意力机制建立第一特征提取器和基于局部最大均值差异度量的子域自适应机制对所述真实域数据和所述仿真域数据获取滚动轴承的真实样本标签，其中，所述真实样本标签用于根据所述第一特征提取器、所述第二特征提取器和所述多标签解耦2.根据权利要求1所述的故障诊断方法，其特征在于，所述仿真域数据由如下步骤得将所述训练集输入所述第一特征提取器，以使所述第一特征提取通过所述第一特征提取器的线性变换层将所述真实补丁序列映射到所述将所述仿真域数据输入所述第二特征提将所述仿真域输入所述第二特征提取器，以使所述第二特征提取通过所述第二特征提取器的线性变换层将所述仿真补丁序列映射到3基于子域自适应机制对所述真实域特征和所述仿真域特征进行迁将所述真实域特征和所述仿真域特征输入所述多标签解耦分类器基于边缘感知正则化对所述局部最大均值差异指标和所述预测标数据获取模块，用于获取真实域数据和仿真域数据，述仿真域数据由对所述单一故障数据和所述复合故障数据进行模拟数据采样得模型建立模块，用于建立故障诊断模型，所述故障诊断模型特征提取模块，用于将所述训练集输入所述第一特征提取模型训练模块，用于基于所述真实域特征和所述仿真域特征对所述故障识别模块，用于获取包含故障数据的待诊断故障集，并将所述待8.一种计算机可读存储介质，其特征在于，所述45[0023]基于局部最大均值差异度量的子域自适应机制对所述真实域数据和所述仿真域6[0030]所述将所述仿真域数据输入所述第二特征提取器进行特征提取，输出仿真域特[0036]将所述真实域特征和所述仿真域特征输入所述多标签解7[0055]图5是本申请实施例提供的将训练集输入第一特征提取器进行特征提取的具体流[0056]图6是本申请实施例提供的将仿真域数据输入第二特征提取器进行特征提取的具[0058]图8是本申请实施例提供的将真实域特征和仿真域特征输入故障诊断模型进行迭[0061]图11是本申请实施例提供的将测试集输入迭代训练后的故障诊断模型进行模型8技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，对较少。大多基于智能的复合故障诊断模型大都将复合故障视为一种独立的新故障类型，9复合故障和单一故障之间的联系从复合故障信号中提取出其包含的各类单一故障特征并流程图。在一些实施例中，基于数字孪生的故障诊断方法包括但不限于步骤S101至步骤[0077]需要说明的是，真实域数据用于表征滚动轴承的单一故仿真域数据由对单一故障数据和复合故障数据进行模拟数据采样得障与单一故障的联系，从复合故障信号中提取出其包含的各类单一故障特征并进行分类，[0089]在一些实施例中，通过真实域特征和仿真域特征对故障骤S102具体包括但不限于步骤S301和步骤S基于Transformer的特征提取器。基于Transformer的网络内置于特征提取器中，Transformer模块由多头自注意力(Multi_headSelf_Attention，MSA)和多层感知(MultiLayerPerceptron，MLP)模块组成。每个块之前应用层规范化(LayerNormalization，q,键k和值v,查询和键的维度为dk，值的维度为dv，将其转为dmodel，维度的查询矩阵Qjjm;.neR'"和m"eR"都是可学习的线性映射矩阵。单头缩放力外，Transformer还含有MLP模块，MLP模块包含两个全连接层和一个GELU非线性激活函[0121]在一些实施例中，本申请实施例在智能诊断模型的最后一层设计了Sigmoid分类骤S303具体包括但不限于步骤S401和步骤S及边缘感知正则化设计的过程中，首先，基于局部最大均值差异(MaximumMeanDi滚动轴承的真实样本标签，再基于真实样本标签分布设计边缘感知正则化(Modality_AwareRegularization,MAR)，MAR本质上是一个具有优化决策边界的交叉熵损失函[0137]步骤S502，通过第一特征提取器的线性变换层将真实补[0139]在一些实施例的步骤S501至步骤S503中，在提取训练集将训练集输入第一特征提取器，以使第一特征提取器对训练集中的一维振动信号进行划[0143]步骤S602，通过第二特征提取器的线性变换层将仿真补[0145]在一些实施例的步骤S601至步骤S603中，在提取仿真域将仿真域输入第二特征提取器，以使第二特征提取器对仿真域中的一维振动信号进行划域中的一维振动信号)分别输入特征提取器进行自动特征学习[0148]具体地，假设输入样本x来自每个长度L的信号序列被分成长度为S的C段以形成Transformer本身不具备捕获序列中元素顺序的能力，本申请实施例会在patchembedd[0157]步骤S703，基于边缘感知正则化对局部最大均值差异指于后续在迭代过程中具有最低训练集损失值的模型被选为训练良好[0173]值得注意的是，上述公式中的特征提取器包括第一特征提取器和第二特征提取域数据由对单一故障数据和复合故障数据进行模拟数据采样[0193]模型训练模块904，用于基于真实域特征和仿真域特征对故障诊断模型进行迭代[0195]本申请实施例的基于数字孪生的故障诊断系统用于执行上述实施例中的基于数可以根据实际的需要选择其中的部分或者全部模块来实现本说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现