【技术实现步骤摘要】
一种基于多向注意力机制的CNN电机故障诊断方法
[0001]本专利技术属于电机故障诊断领域,具体提供一种基于多向注意力机制的
CNN
电机故障诊断方法
。
技术介绍
[0002]电机故障诊断能防止电机故障导致的重大灾害和经济损失,对于当下人类社会的发展尤为重要
。
依赖于大数据以及计算机技术的发展,现阶段电机故障诊断的研究,逐渐以先数据处理,再故障识别为主
。
但受到电机本身复杂程度的影响,电机故障类型较多,并且故障数据本身包含的故障参数也十分繁杂
。
如何准确识别故障数据,并进行有效分类,成为该领域的研究热点
。
[0003]当下的研究中基于采集电机数据进行故障诊断方法有很多,但是电机数据的处理依旧是该研究领域中较难的一个环节
。
目前的主流数据处理方法中,深度学习方法相较于机器学习方法,在数据特征提取方面的能力更强
。
卷积神经网络就是一种较为典型的深度学习方法,目前应用卷积神经网络将数据转化为图像进行故障分类的方法已经产生
。
该方法的优越性主要体现在,仅仅只需较少的处理步骤就能实现精确的数据处理能力和稳定的故障识别结果
。
然而,当前基于该方法的电机故障检测研究,在数据预处理阶段只关注到了连续小段采样数据的特征,数据提取后样本之间的差异并没有得到重视
。
技术实现思路
[0004]本专利技术基于上述研究背景问题,提出了一种新的时域故障数
【技术保护点】
【技术特征摘要】
1.
一种基于多向注意力机制的
CNN
电机故障诊断方法其主要特征在于,方法的具体流程为:
S1、
从原始时域数据中提取数据,组成样本数据组,并将全体样本数据转化成灰度图像;
S2、
提出一种多向注意力机制设计;
S3、
提出一种基于多向注意力机制改进的
CNN
网络结构
。
能够对
S1
中得出的图像进行处理并分类
。2.
一种基于多向注意力机制的
CNN
电机故障诊断方法其主要特征在于,权利要求1中步骤
S1
的具体实现步骤为:
S1
‑
1、
从原始时域数据中提取数据,组成样本长度为
S
的样本数据组,具体数据提取方法如下:,其中,为原始一维时域信号的对应位置点数据,为数据组,代表的数据长度,代表取样数据长度,,;
S1
‑
2、
依据每组数据长度获得
S
×
S
尺寸的灰度图像,图像尺寸的具体表达式为:,其中,为函数,为取整函数;
S1
‑
3、
针对数据长度并非刚好构成长宽相等的情况进行处理,得到标准图像尺寸,表达式如下:,其中为函数,可生成全零矩阵;
S1
‑
4、
根据下述式子将数据转换成像素点,并构成灰度图像,具体转换式如下:,,上述式子中,表示每组的数据信号,表示图像的像素强度<...
【专利技术属性】
技术研发人员:于文新,钟广林,熊义毛,蒋佳润,
申请(专利权)人:湖南科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。