一种基于深度学习的设备预测性维护方法

本申请涉及设备诊断领域，具体公开了一种基于深度学习的设备预测性维护方法，其中方法包括：对训练数据进行时域幅值归一化以及频域加权归一化后，进行双通道特征融合，以得到融合特征向量；使用多组自适应小波核对融合特征向量进行特征提取，以得到自适应时频特征向量；通过统计特性构建权重种群，筛选初始诊断模型的最优初始权重；通过对自适应时频特征向量进行多尺度深度特征计算、时频域注意力特征融合、故障原型对比学习以及预构建的总损失函数，对初始诊断模型进行迭代更新，以得到诊断模型；通过诊断模型，对设备进行诊断。多尺度特征融合和双路注意力机制能协同捕捉短时冲击与长周期模式，克服了传统方法在多样化故障场景的局限性。