技術(shù)特征：

1.一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：多種所述模態(tài)信號數(shù)據(jù)包括溫度信號、聲音信號和振動信號。

3.根據(jù)權(quán)利要求2所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：步驟s1的預(yù)處理方法為：分割得到每組長度為m的序列數(shù)據(jù)，即溫度時序數(shù)據(jù)t＝{t1，t2，…，ti，…，tm}、聲音時序數(shù)據(jù)s＝{s1，s2，…，si，…，sm}、振動時序數(shù)據(jù)v＝{v1，v2，…，vi，…，vm}。

4.根據(jù)權(quán)利要求1所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：將步驟s1中每個信號的序列數(shù)據(jù)使用分段聚合近似進行數(shù)據(jù)降維，即用一個長度為n的時序數(shù)據(jù)來表示長度為m的原始時序數(shù)據(jù)x＝{x1，x2，…，xi，…，xm}，其中n≤m，具體計算公式如下：

5.根據(jù)權(quán)利要求1所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：步驟s3中所使用馬爾可夫場是馬爾可夫隨機場的特例，前提是假設(shè)隨機場中某一個位置的值僅與和它相鄰的位置的值有關(guān)，計算方法如下：

6.根據(jù)權(quán)利要求1所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：步驟s4中將每組時間序列數(shù)據(jù)經(jīng)空間維度數(shù)據(jù)融合，即將編碼形成的單通道馬爾可夫場特征圖在深度維度上進行疊加得到多通道馬爾可夫場特征圖，并按6:3:1劃分訓(xùn)練集、驗證集和測試集。

7.根據(jù)權(quán)利要求1所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：步驟s5的托輥故障診斷模型包括圖像塊分割層、層疊模塊、歸一化層、全局池化層和全連接層，所述圖像塊分割層將多通道馬爾可夫場特征圖以每4×4相鄰像素為一個圖像塊分割，并在輸入圖片的通道方向展平，所述層疊模塊通過四個階段構(gòu)建不同大小的特征圖，通過各個階段的圖像塊序列數(shù)隨著網(wǎng)絡(luò)的加深而減少，最后通過歸一化、全局池化和全連接層輸出托輥故障診斷結(jié)果。

8.根據(jù)權(quán)利要求1所述的一種多模態(tài)信息融合的托輥故障診斷方法，其特征在于：步驟s6中利用損失函數(shù)通過對預(yù)測樣本和真實樣本標簽產(chǎn)生的誤差進行反向傳播來優(yōu)化網(wǎng)絡(luò)參數(shù)，選擇交叉熵作為損失函數(shù)：

技術(shù)總結(jié)
本發(fā)明專利公開了一種多模態(tài)信息融合的托輥故障診斷方法，具體涉及托輥故障診斷領(lǐng)域。步驟如下：采集托輥的多種模態(tài)信號數(shù)據(jù)，對原始一維信號數(shù)據(jù)進行預(yù)處理；使用分類聚合近似簡化各個信號的一維時序數(shù)據(jù)；將各個信號利用馬爾可夫場轉(zhuǎn)換為二維特征圖像并合成為三通道圖像；建立基于Swin?Transformer網(wǎng)絡(luò)架構(gòu)的托輥故障診斷模型；對Swin?Transformer網(wǎng)絡(luò)架構(gòu)進行訓(xùn)練、驗證，如果網(wǎng)絡(luò)達到最優(yōu)效果則進行下一步，否則返回上一步，并修改初始參數(shù)繼續(xù)訓(xùn)練；將測試集輸入到最優(yōu)的Swin?Transformer網(wǎng)絡(luò)架構(gòu)中進行托輥故障診斷，最終獲得托輥故障分類結(jié)果。采用本發(fā)明技術(shù)方案解決了現(xiàn)有的托輥故障診斷基于單一模態(tài)信息，存在著信息不足和不準確的問題，為后續(xù)實施控制與維護奠定了基礎(chǔ)。

技術(shù)研發(fā)人員：屈劍鋒,鐘溪林,陳鵬宇
受保護的技術(shù)使用者：重慶大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9