摘要
本发明提出了一种基于融合小波卷积与窗口注意力机制的多故障诊断方法。该方法在原有小波变换卷积层基础上进行改进,融合了改进后的小波变换卷积层和Swin Transformer模型,充分结合了小波变换卷积和Swin Transformer模型的窗口注意力机制的优点,旨在从原始故障图像数据中更高效的提取特征,并提高模型训练收敛速度与诊断正确率。本发明实现了在提高故障诊断准确率的前提下有效缩短了模型训练过程的收敛时间,能够有效对各种单一故障与复合故障进行诊断。
技术关键词
融合小波
注意力机制
故障诊断方法
梯度下降法
轴承部件
机械设备
分类正确率
图像特征提取
测试故障
神经网络模型
故障类别
训练集
深沟球轴承
数据
标签
图像处理
优化器
样本
系统为您推荐了相关专利信息
门控循环单元网络
时间卷积网络
多层感知机
时序特征
子模块
运输路径规划方法
深度神经网络模型
序列标注方法
条件随机场模型
构建知识图谱
轨迹预测模型
飞行器
网络
注意力机制
轨迹预测方法
云端数据中心
全局优化决策
决策方法
无人机
深度学习模型压缩
多模态深度学习
套刻标记
深度学习网络
补偿方法
预测误差