(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110266124.4 (22)申请日 2021.03.11 (65)同一申请的已公布的文献号 申请公布号 CN 112861443 A (43)申请公布日 2021.05.28 (73)专利权人 合肥工业大 学 地址 230002 安徽省合肥市包河区屯溪路 193号 (72)发明人 张强　黄挺　杨善林　胡湘洪　 王春辉　王远航　丁小健　 (74)专利代理 机构 合肥初航知识产权代理事务 所(普通合伙) 34171 专利代理师 谢永　金娟娟 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 112067916 A,2020.12.1 1 CN 112284736 A,2021.01.2 9CN 109814523 A,2019.0 5.28 CN 110516305 A,2019.1 1.29 CN 112381164 A,2021.02.19 CN 112067294 A,2020.12.1 1 CN 108804677 A,2018.1 1.13 CN 112102283 A,2020.12.18 CN 111964908 A,2020.1 1.20 CN 112365480 A,2021.02.12 CN 110569353 A,2019.12.13 WO 202024 4134 A1,2020.12.10 AU 202010 3901 A4,2021.02.1 1 何强等.基 于混合时间序列卷积神经网络的 轴承故障诊断. 《组合机床与自动化加工技 术》 .2020,(第0 3期), 褚伟， 茹琦， 任明仑.结合先验知识的深度Ｑ 神经网络算法研究. 《合肥工业大 学学报》 .2019, (续) 审查员 李换 (54)发明名称 一种融入先验知识的深度学习故障诊断方 法 (57)摘要 本发明涉及故障诊断技术领域， 具体地说， 涉及一种融入先验知识的深度学习故障诊断方 法。 其包括如下步骤： 步骤S1、 数据处理； 该步骤 中， 基于滑窗处理对故障诊断数据集X进行处理， 进而获取类图片样本数据集 并获取类图片样 本数据集 的关注矩阵A； 步骤S2， 模型架构构 建； 该步骤中， 构建2D ‑CNN模型对类图片样本数 据集 进行处理进而获取对应的特征图F， 同时 基于面向通道的平均池化和面向通道的最大池 化对特征图F进行处理进而获取平均池化的输出 P1和最大池化的输出P2， 根据关注矩阵A、 平均池 化的输出P1和最大池化的输出P2获取权重矩阵W， 使得模型输出为基 于注意力机制的特 征图 本发明能够较佳地将先验知识融入至 深度学习技 术中。 [转续页] 权利要求书2页 说明书8页 附图4页 CN 112861443 B 2022.08.30 CN 112861443 B (56)对比文件 JIANYU WANG； ZH ENLING MO； HENG ZHANG, AND QIANG MIAO.A De ep Learn ing Method for Bearing Fault Dia gnosis Based o n Time- Frequency Ima ge. 《IEEE Access》 .2019,第7 卷2/2 页 2[接上页] CN 112861443 B1.一种融入先验知识的深度学习故障诊断方法， 其包括如下步骤： 步骤S1、 数据处 理 该步骤中， 基于滑窗处理对故障诊断数据集X进行处理， 进而获取类图片样本数据集 并获取类图片样本数据集 的关注矩阵A； 步骤S2， 模型架构 构建 该步骤中， 构建2D ‑CNN模型对类图片样本数据集 进行处理进而获取对应的特征图F， 同时基于面向通道的平均池化和面向通道的最大池化对特征图F进行 处理进而获取平均池 化的输出P1和最大池化 的输出P2， 根据关注矩阵A、 平均池化的输出P1和最大池化的输出P2 获取权重矩阵W， 使得模型输出为基于注意力机制的特 征图 每个样本集 对应的关注矩阵为Aij， Aij∈RD×N， 关注矩阵Aij为一0‑1矩阵且用于刻画 先验知识； 通过阈值刻画获取每个样本集 的关注矩阵为Aij； 也即， 针对第i类故障的第j个样本 集 逐个将样本集 中的每个元素 的数值在达到足以表征已经发生故障i的阈值时即 为1、 否则记为0， 进 而即可获取对应的关注 矩阵为Aij。 2.根据权利要求1所述的一种融入先验知识的深度 学习故障诊断方法， 其特征在于： 步 骤S1中， X＝{ Xi|i＝1,…,M}， Xi∈RT×N， Xi为第i类故障的多属性时序数列， Xi用于记载不同 时刻不同属性的数值； M为故障种类总数， T为时间序列的长度， N 为属性的总数。 3.根据权利要求2所述的一种融入先验知识的深度 学习故障诊断方法， 其特征在于： 步 骤S1中， 表示第i类故障的 第j个样本集， D为滑窗宽度， λ为滑窗步长， 为向上取整运算。 4.根据权利要求3所述的一种融入先验知识的深度 学习故障诊断方法， 其特征在于： 步 骤S2中， 基于2D ‑CNN模型保持处理之后行列数量不变地对所有样 本集 进行逐个处理， 样 本集 的输出为特 征图Fij， Fij＝[Fij1,…,FijK]， K为2D‑CNN模型的通道数量。 5.根据权利要求4所述的一种融入先验知识的深度 学习故障诊断方法， 其特征在于： 步 骤S2中， 对于样本集 其平均池化的输出Pij1的计算公式为， 其最大池化的输出Pij2的计算公式为， 6.根据权利要求5所述的一种融入先验知识的深度 学习故障诊断方法， 其特征在于： 步权　利　要　求　书 1/2 页 2 CN 112861443 B 3