[发明专利]基于GIALDN网络的内部缺陷定位模型及内部缺陷定位方法

权利要求书

1.一种基于GIALDN网络的内部缺陷定位模型，其特征在于：包括：

重塑模块：用于对采集到的振动信号数据进行重塑，以得到输入信号特征；

去池化预处理模块：利用去池化的预处理卷积层从输入信号特征中提取得到富含原始信息的振动信号数据，得到预处理信号特征；

轻量化信号去噪模块：用于对预处理信号特征进行软阈值去噪处理，以剥离噪声信号，得到去噪信号特征；

全局交互注意力模块：将去噪信号特征内的每一个数据点都互相连接起来，并在每个通道间也建立起联系，以提取信号内的远距离联系与跨通道数据间的潜在关系，提升特征的辨别力；

多层卷积模块：用于对依次经轻量化信号去噪模块和全局交互注意力模块处理后的信号特征进行深度特征提取，得到深度信号特征；

结果输出模块：利用softmax函数，从深度信号特征中得到缺陷定位结果。

2.根据权利要求1所述基于GIALDN网络的内部缺陷定位模型，其特征在于：所述轻量化信号去噪模块进行软阈值去噪处理的方法如下：

其中，y_i表示第i通道的去噪信号特征；x_i表示第i通道的预处理信号特征；τ_i表示第i通道软阈值。

3.根据权利要求2所述基于GIALDN网络的内部缺陷定位模型，其特征在于：所述轻量化信号去噪模块包括全局混合池化层和一维卷积层；

所述全局混合池化层用于对预处理信号特征同时进行全局最大池化和全局平均池化处理，得到混合信号特征；

所述一维卷积层用于提取混合信号特征的通道特征，并利用sigmoid激活函数将学习到的系数缩放到[0,1]的范围，得到每个通道的软阈值系数σ；则：

τ_i＝σ_i×|x|

其中，τ_i表示第i通道对应的软阈值；σ_i表示第i通道对应的软阈值系数；|x|表示绝对值化后的预处理信号特征。

4.根据权利要求1所述基于GIALDN网络的内部缺陷定位模型，其特征在于：所述全局交互注意力模块对去噪信号特征处理的方法如下：

(1)采用interpolate函数对去噪信号特征X进行插值，将特征图的维度由h数对降低成(h/2)×(w/2)，得到特征图X_i；

(2)通过一个带有批标准化BN层、Relu激活函数的卷积层，把特征图X_i的通道数由c变成(h/2)×(w/2)，得到特征图X_c；

(3)对特征X_c进行全局交互，生成注意力图A_a；

(4)注意力图A_a与特征图X_i进行逐点相乘，得到全局交互注意力特征图A_c；

(5)采用interpolate函数对对全局交互注意力特征图A_c进行插值操作，将全局交互注意力特征图A_c还原为与去噪信号特征X相同形状的特征图A_i；

(6)使用残差块，得到最后的输出特征图为：

Y＝X+A_i。

5.根据权利要求4所述基于GIALDN网络的内部缺陷定位模型，其特征在于：所述步骤(3)中，对特征X_c进行全局交互以生成注意力图A_a的方法为：

(31)将特征X_c中每一个数据点在所有通道中生成大小为1×1、通道数为(h/2)×(w/2)的数据点特征图，而后将该数据特征图重塑为大小与(h/2)×(w/2)、通道数为1的单通道特征图；

(32)将所有数据点的单通道特征图进行聚合，得到中间特征图；

(33)利用softmax函数，从中间特征图中生成注意力图A_a。