CN114528906B 一种旋转机械的故障诊断方法、装置、设备和介质 （爱普（福建）科技有限公司）

SiameseNetworksforFew同负载下滚动轴承不同状态的振动加速度数据集中每个类别中的待测样本数据统一映射到一时尽可能减小个别样本本身存在的差异性对模2S1、采集旋转机械在不同负载下滚动轴承不同状态所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故本不同类别的故障样本经过特征提取变换后得到不相似训练过程中，使用原型对比的损失函数指导孪生卷;S4、通过所述特征嵌入网络将所述支撑集中每个类S5、将输入的待测样本与所述支撑集中每个类别的3第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构最后一层卷积特征提取层在BN层后直接接上注意力模块、全样本获取模块，用于采集旋转机械在不同负载下滚动轴承不同状态的轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故本不同类别的故障样本经过特征提取变换后得到不相似所述特征嵌入网络构建及训练模块在训练过程中，使用原型;4映射模块，用于通过所述特征嵌入网络将所述支撑集故障类别诊断模块，将输入的待测样本与所述支撑集中每个类别的原型点进行比较，第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构最后一层卷积特征提取层在BN层后直接接上注意力模块、全5.一种电子设备，包括存储器、处理器及5[0003]孪生神经网络(SiameseNetwork)是一类特殊的深度学习模型。该算法同时接收本会因为互相排斥形成一个间隔空间。由于同种类别中的个别样本也可能具有某些差异尽可能减小个别样本本身存在的差异性对模型预测6障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及发明使用孪生卷积神经网络模型解决轴承机械故障诊断中因样本量稀少而影响预测效果[0020]上述说明仅是本发明技术方案的概述，为了能够更清楚78障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，[0040]所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号9的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及[0062]所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号[0076]由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0087]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一