(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111429337.0 (22)申请日 2021.11.29 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 苏祖强　吴然然　韩冷　张小龙　 姜维龙　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 卢胜斌 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/06(2012.01) (54)发明名称 一种基于非线性度量原型网络的滚动轴承 故障诊断方法 (57)摘要 发明涉及仿真分析技术领域， 具体涉及一种 基于非线性度量原型网络的滚动轴承故障诊断 方法， 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； 本发明通过原型 计算模块提取特征图， 同时对支撑集特征计算原 型， 在级联注意力模块里将查询样 本特征与各类 原型一一拼接， 然后通过级 联注意力机制提取拼 接样本的长距离相关性， 最后将级联注意力模块 提取的特征输入非线性度量模块， 从而实现小样 本条件下准确有效的轴承故障诊断。 权利要求书2页 说明书9页 附图11页 CN 114239384 A 2022.03.25 CN 114239384 A 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xi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PC， 包括： 其中， yi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Fc'； 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 Fs'； 将通道注意力特征Fc'和空间注意力特征Fs'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， 其权　利　要　求　书 1/2 页 2 CN 114239384 A 2特征在于， 通道 注意力特 征Fc'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 Fs'。 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Fs'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。权　利　要　求　书 2/2 页 3 CN 114239384 A 3