面向多源不确定稀疏样本的装备部件失效模式辨识方法
技术特征：
1.一种面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，包括：
2.根据权利要求1所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，在采用自适应主动降噪滤波器对所述待测多源传感数据集中的多源不确定噪声进行滤除，得到滤波后的待测多源传感数据集之前，所述多源不确定稀疏样本的装备部件失效模式辨识方法还包括：
3.根据权利要求2所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，根据下式对所述最佳初始控制滤波器的滤波器系数进行优化：
4.根据权利要求3所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，根据下式优化所述模型无关元学习算法中的超参数：
5.根据权利要求1所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，所述短树变换算法包括短时傅里叶变换和双树复小波变换；将滤波后的待测多源传感数据输入短树变换算法，提取得到包括时频特征矩阵的第一图像和包括多尺度特征矩阵的第二图像，具体包括：
6.根据权利要求1所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，所述第一分支和所述第二分支的结构相同；所述第一分支包括卷积神经网络、双向门控循环单元和时空注意力机制；所述第一分支通过卷积神经网络提取空间特征，双向门控循环单元提取时间依赖特征，并引入时空注意力机制提取时空耦合特征；所述时空注意力机制的空间注意力机制作用于卷积神经网络的第二层，增强空间特征图中的兴趣区域；所述时空注意力机制的时间注意力机制作用于双向门控循环单元的第二层，增强时间特征序列中的兴趣区域。
7.根据权利要求6所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，所述空间注意力机制的表达式如下式所示：
8.根据权利要求1所述的面向多源不确定稀疏样本的装备部件失效模式辨识方法，其特征在于，在将所述失效模式数据增强融合特征输入到失效模式辨识模型中，得到对应的失效模式辨识结果之前，所述多源不确定稀疏样本的装备部件失效模式辨识方法还包括：
技术总结
本申请公开了一种面向多源不确定稀疏样本的装备部件失效模式辨识方法，涉及装备失效辨识技术领域，该方法包括：考虑到装备实际服役过程中含有多源不确定噪声，将模型无关元学习应用到自适应滤波器，对其中多源不确定噪声进行滤波处理；进而结合短树变换与双流时空注意力深度神经网络，从多通道数据中获取时频和多尺度特征，增强失效特征的提取能力，降低失效辨识对数据量的依赖性；最后应用最小二乘支持向量机进行失效模式辨识，并采用冠豪猪算法确定最优超参数组合，提高了模型在装备部件实际服役复杂工况下的失效辨识能力，有效解决了现有技术中对含有多源不确定噪声稀疏数据的失效模式难以辨识的问题。
技术研发人员：撒国栋,王栋,刘振宇,孙嘉诚,谭建荣
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/12/2
技术研发人员：撒国栋,王栋,刘振宇,孙嘉诚,谭建荣
技术所有人：浙江大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除