[发明专利]一种基于非线性度量原型网络的滚动轴承故障诊断方法

权利要求书

1.一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，包括构建级联注意原型非线性度量网络，并对构建的网络进行分类训练，将带诊断的数据进行数据处理后输入训练好的级联注意原型非线性度量网络，输出诊断结果。

2.根据权利要求1所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，级联注意原型非线性度量网络包括样本集划分模块、原型计算模块、级联注意力机制学习模块以及非线性度量策略分类训练模块，其中：

利用样本集划分模块将样本集划分为支撑集和查询集；

将划分的数据集输入原型计算模块获取数据集中样本对应的特征图，并通过支撑集的特征图计算类别原型；

将查询集样本的特征图与各类别的原型进行一一拼接，并采用级联注意力机制学习模块提取拼接样本的长距离相关性；

将级联注意力机制学习模块提取拼接样本的长距离相关性输入非线性度量策略分类训练模块进行分类训练。

3.根据权利要求2所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，将划分的数据集输入原型计算模块获取数据集中样本对应的特征图，即利用特征提取器将样本集L中的样本x_i嵌入到特征空间，表示为：

对于第c类故障，利用支撑集S生成原型P_C，包括：

其中，y_i表示支撑集S中第i个样本的标签。

4.根据权利要求1所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，级联注意力机制学习模块包括通道注意力子模块和空间注意力子模块，提取拼接样本的长距离相关性包括：

级联注意力机制学习模块对输入的拼接样本进行卷积，提取到特征F；

将特征F分别输入通道注意力子模块和空间注意力子模块，通道注意力子模块自适应调整各个通道之间的特征值，建立通道依赖关系，得到通道注意力特征F_c'；

空间注意力子模块关注目标样本在输入特征映射的位置信息，得到空间注意力特征F_s'；

将通道注意力特征F_c'和空间注意力特征F_s'进行信息融合，再将融合的特征信息与输入特征F累加，得到拼接样本的长距离相关性。

5.根据权利要求4所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，通道注意力子模块包括全局平均池化层、第一卷积块以及第二卷积块，每个卷积块由卷积层、BN层和激活函数构成，将特征F输入级联的全局平均池化层、第一卷积块以及第二卷积块提取得到通道信息结构体S，将通道信息结构体S统一特征F的矩阵积与特征F相加作为通道注意力子模块的输出。

6.根据权利要求5所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，通道注意力特征F_c'表示为：

其中，为特征F的全局平均池化得到的通道注意力特征图，W₁和W₂分别为第一卷积块和第二卷积块中卷积层的权重；σ(.)为sigmoid激活函数；γ(.)为relu激活函数，和分别为矩阵乘运算和加运算。

7.根据权利要求4所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，空间注意力子模块包括第三卷积块和全局平均池化层，第三卷积块由卷积层、BN层构成，将特征F输入级联的第三卷积块和全局平均池化层提取得到空间信息结构体S'，将空间信息结构体S'与输入的特征F相乘后得到的值再与特征F相加得到空间注意力特征F_s'。

8.根据权利要求7所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，空间注意力特征F_s'表示为：

其中，为特征F在其通道维度的平均池化，W₃表示卷积块中卷积层的权重，σ(.)为sigmoid激活函数，和分别为矩阵乘运算和加运算。

9.根据权利要求7所述的一种基于非线性度量原型网络的滚动轴承故障诊断方法，其特征在于，级联注意力机制学习模块对输入的拼接样本进行卷积过程中采用额卷积块包括卷积层、池化层、BN层和激活函数。