CN119442129A 基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障诊断方法及系统 （国能锦界能源有限责任公司）

基于时频特征交叉互补和多域特征融合的基于时频特征交叉互补和多域特征融合的分别利用FFT和CWT得到数据集的一维频域信号到引入完全注意力机制的二维残差CNN，以提取频域特征进行融合得到多域特征，并用softmax号和频域信号深度学习故障诊断的特征提取不2步骤2：分别利用快速傅里叶变换(FFT)和连续小波变换(CWT)得到数据集的一维频域步骤3：将原始的一维时域信号和一维频域信号的训练集输入到时频交叉注意力机制步骤4：将步骤3得到的时域和频域的交叉互补特征2.根据权利要求1所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障3.根据权利要求1所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障x4.根据权利要求1所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障时频交叉注意力机制网络它由两分支一维卷积神经网络和一个交叉注意力机制组成；其中，交叉注意力机制利用Transformer模型的自注意力机制来交互式捕获原始振动3时频交叉注意力机制网络分别由时域信号和频域信5.根据权利要求4所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障6.根据权利要求6所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障采用BN层来减轻内部协变量偏移并加速模型收敛，同时使用负斜率为0.001的泄漏修正线性单元LReLU来激活来自BN层的7.根据权利要求6所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障v；kv分别表示交叉注意力机制中Transformer模型的自注意力机制的查询向量Q、kv分别表示交叉注意力机制中Transformer模型的自注意力机制中的查询向量kk区间[0,1]内的归一化权重；Tk表示Transformer模型的自注意力机制中的键向量K在时域418.根据权利要求7所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障ggggij是最终得到的注意力分布，将这个注意力分布作为对每个输入数据xi的关注程度的5(3).为将采用传统卷积得到的输出特征映射和改进自注意力机制提取的特征进行融i9.基于时频特征交叉互补和多域特征融合的风电机组齿轮所述数据处理模块，对数据样本按照风电机组齿轮箱的状态类型贴上然后使用训练集对多域特征融合网络模型进行训练，并用所述实时故障检测模块，利用多域特征融合网络训练模型完成对风所述故障报警模块，当实时故障检测模块检测到风电机组齿轮箱上10.根据权利要求9所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故6自动编码器(SAE)和长短时记忆网络(LSTM)等深度学习模型成为了主流研究方向。这些深[0009]步骤2：分别利用快速傅里叶变换(FFT)和连续小波变换(CWT)得到数据集的一维7[0010]步骤3：将原始的一维时域信号和一维频域信号的训练集输入到时频交叉注意力[0013]所述步骤1中，将各个健康状态的原始振动信号按照1024的长度作为一个时域信[0022]时频交叉注意力机制网络它由两分支一维卷积神经网络和一个交叉注意力机制[0023]其中，交叉注意力机制的目的是利用Transformer模型的自注意力机制来交互式8得到区间[0,1]内的归一化权重；Tk表示Transformer模型的自注意力机制时域信号中提取的特征，Fk表示Tran9状。非线性激活函数使用高斯误差线性单元(GELU)作为激活函数而不是LReLU，因为使用[0043]虽然自注意力机制擅长捕捉全局依赖关系，但它在捕捉局部特征时可能不如CNNggg[0048]式中，和w,e"均为线性映射的参数矩阵；f(x)表示的输入g[0054](3).为将采用传统卷积得到的输出特征映射和改进自注意力机制提取的特征进[0059]所述数据处理模块，对数据样本按照风电机组齿轮箱的状态类型贴上对应的标提取时频域特征的引入完全注意力机制的二维残差CNN；以及将时域和频域的交叉互补特[0064]本发明一种基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障诊断[0065]1)本发明设计了一种实现时域特征和频域特征交叉互补的时频交叉注意力机制关系，提出一种基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障诊断方法。该方法先将原始振动信号经过快速傅里叶变换(FFT)和连续小波变换(CWT)分别得到频域[0078]本发明所述基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障诊断[0083]S5：将S3和S4得到的交叉互补特征和时频域特征进行融合得到多域特征，并用[0094]S3.1:时频交叉注意力机制网络它由两个分支的一维卷积神经网络和一个交叉注自注意力机制来交互式捕获原始振动信号时域特征和经FFT后的频域特征信息，以实现有[0095]S3.2:进一步地，时频交叉注意0.001的LReLU来激活来自BN层非线性激活函数使用高斯误差线性单元(GELU)作为激活函数而不是LReLU，因为使用GELU[0110]S3.6:将注意力特征Tout和Fout添加到gg[0125]S4.3:为将采用传统卷积得到的输出特征映射和改进自注意力机制提取的特征进[0129]S6:将所述S5中保存的最佳训练模型对划分的测试集进行测试，得到本发明所提[0131]本发明优选实施例为基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障诊断方法在北京工业大学齿轮箱数据集(WT)上的应用。窗口也为1024，即两个相邻信号样本之间没有重叠部分。实验超参数设置为：学习率为和方法二的诊断精度分别高出18.36％和3.92比方法五和方法六的诊断精度分别高出按照一定的比例划分数据集，然后对上述数据集分别进行FFT变换和连续小波变换得到由可以参考上述一种基于时频特征交叉互补和多域特征融合的风电机组齿轮箱故障诊断方施方式可以参见上述一种基