[发明专利]基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法

权利要求书

1.一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：包括以下步骤：

S1：利用隧道射流风机基础健康检测系统进行振动试验，采集隧道射流风机的激励与响应振动信号；

S2：将一维振动时域信号进行傅里叶变换得到频域信号，进而得到传递函数并将其划分为训练集和测试集：

上式中，H(w)为传递函数，X(w)为激励x(t)的傅里叶变换，Y(w)为响应y(t)的傅里叶变换；

S3：基于MIA-CNN网络搭建隧道射流风机预埋基础损伤识别模型，使用训练集对所述网络进行训练，不断调整参数，进行模型优化；

S4：使用测试集进行隧道射流风机预埋基础损伤识别，验证隧道射流风机预埋基础损伤识别模型的性能；

S5：使用通过验证的隧道射流风机预埋基础损伤识别模型进行隧道射流风机预埋基础损伤识别；

步骤S3中所述的MIA-CNN网络为一种引入度量注意力机制的改进卷积神经网络，包括通道注意力子模块、空间注意力子模块和通道度量损失子模块；

所述通道注意力子模块利用平均值池化和最大值池化对输入特征F在空间维度上进行压缩，聚合特征映射的空间信息来生成通道特征图，再以多层感知器对通道特征图的每个通道的信息贡献程度进行衡量，使特征提取过程中能更加关注信息贡献程度更高的通道，从而学习到通道注意力加权融合权值M_c(F)；输入特征F与通道注意力加权融合权值M_c(F)相乘得到通道注意力加权特征F'；通道注意力子模块的实现过程表达为：

式(1)中和分别为F通过最大池化和平均池化得到的通道特征图，MLP为多层感知器，sigmoid为激活函数；

所述空间注意力子模块利用平均值池化和最大值池化对通道注意力加权特征F'在通道上进行压缩，聚合功能映射的通道信息合并成空间特征图，再以卷积层对空间特征图中每个特征点的信息贡献程度进行衡量，使特征提取过程中能更加关注信息贡献程度更高的特征区域，从而学习到空间注意力加权融合权值M_s(F')；通道注意力加权特征F'与空间注意力加权融合权值M_s(F')相乘得到空间注意力加权特征F；空间注意力子模块的实现过程表达为：

式(3)中和分别为F'通过最大池化和平均池化得到的空间特征图，Conv为卷积层；

所述通道度量损失子模块分别在通道注意力加权特征F'和空间注意力加权特征F上加入度量损失，通过通道度量损失和空间度量损失来反向引导通道注意力权重和空间注意力权重的优化过程，提升最终提取的特征的聚类效果；通道度量损失和空间度量损失具有相同的计算过程，均为计算特征加权后数据的分布散度，具体计算过程如下：

设数据有M个类别，分别为Ω₁,Ω₂,...,Ω_M，设第i类样本集Ω_i有N_i个样本：

则样本集Ω_i的类内距离为：

式(6)中，m⁽ⁱ⁾是样本集Ω_i的均值，则数据的类内距离D_w定义为：

式(7)中，P(Ω_i)是样本集Ω_i中样本数占样本总数的比例；定义第i类样本集Ω_i与第j类样本集Ω_j之间的类间距离为：

则数据的综合类间距离D_b定义为：

定义度量损失为

式(11)中，s为度量损失尺度调节因子，λ为度量损失衰减调节因子。

2.根据权利要求1所述的基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，其特征在于：步骤S1中，所述隧道射流风机基础健康检测系统包括动加速度传感器、数据采集仪、试验力锤、通信单元和采集终端；

所述加速度传感器用于获取振动加速度信号，将加速度转化为电量信号；所述数据采集仪用于将电量信号转化为数字信号，并通过通信单元传输到采集终端；所述试验力锤一方面用于激励预埋基础，另一方面通过内置传感器采集力信号；采集终端用于格式化存储、查看和分析数据。