双注意力引导的旋转机械健康评估方法技术

本发明专利技术涉及一种双注意力引导的旋转机械健康评估方法，构建包括特征提取器，重构器和回归器的双注意力引导模型，通过将可变形卷积的思想引入到特征提取方法中，通过可变形卷积、时间卷积并巧妙地结合双注意力通道实现对细粒度特征的捕获；聚合局部关键信息，改善了全局特征学习的信息损失。采用回归损失和重构损失更新双注意力引导模型，并输出最佳的训练机械退化特征；将测试集输入至更新的特征提取器，获取测试机械退化特征，并用多核最大均值差异损失最小化最佳的训练和测试的机械退化特征之间的差异。本发明专利技术能够较好的解决传统方法预测精度较差的问题，同时可以约束数据的信息一致性，实现了对测试数据的较高精度的剩余寿命预测。寿命预测。寿命预测。

【技术实现步骤摘要】
双注意力引导的旋转机械健康评估方法


[0001]本专利技术涉及基于机器学习方法的机械健康特征评估
，尤其是一种双注意力引导的旋转机械健康评估方法。

技术介绍

[0002]旋转机械在长期运行中由于负载、磨损和裂纹等因素易引发故障，进而导致设备运行出现问题。因此利用故障与健康管理(PHM)技术根据机械的行为，可对机械的健康状态进行诊断，提前制定维护计划，缩短不必要的停机时间，并降低生产成本。机械系统的剩余使用寿命预测是PHM技术的一项关键任务。目前机械健康评估方法可分为基于模型的和数据驱动的方法。基于模型的方法通常采用机械退化数据的统计模型来预测寿命退化趋势。这些方法需要专家知识来精确地对统计数据进行建模，但无法有效的评估复杂的机械系统。基于数据驱动方法旨在将传统器提供的数据转换成机械退化的参数或非参数模型。这些方法通常利用数据内可用的特征表示来准确映射剩余寿命值，并取得了令人满意的结果。
[0003]一般而言，数据驱动方法通常包括机器学习和深度学习模型。机器学习旨在从传感器提供的数据中提取各种退化特征，例如均值，偏度，峭度。采用学习算法，例如支持向量机，威布尔分布，回归支持向量机，对退化特征进行回归统计。然而，机器学习方法严重依赖于所提取的退化特征，这通常需要先验知识。
[0004]深度学习方法在处理时间序列回归上具有优势。采用多隐层结构实现数据特征的逐层非线性变换，以提取最佳的特征表示，例如自动编码器，深度信念网络，卷积神经网络和循环神经网络。但多数方法仅是通过下采样的方式进行非线性特征变换，进而实现寿命回归。但这个提取过程却忽视了对输入数据信息一致性的保持和特征分布差异。这个不足对于许多现实的应用来说回归性能往往是受限的，可能无法有效工作。通常而言，预训练模型能够在相似的工况下取得最佳的性能，但对于机械系统而言，尽管工况相似，故障类型是复合的，进而导致特征分布是具有差异。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供一种双注意力引导的旋转机械健康评估方法，旨在实现较高精度的机械健康评估。
[0006]本专利技术采用的技术方案如下：
[0007]一种双注意力引导的旋转机械健康评估方法，包括以下步骤：
[0008]S1，采集旋转机械的水平振动信号，对所述水平振动信号进行处理以获取时频图数据，把所有时频图数据划分测试集和训练集，然后将测试集进行剩余寿命值标记；
[0009]S2，构建双注意力引导模型，其包括特征提取器，重构器和回归器；
[0010]S3，将训练集输入至双注意力引导模型，由所述特征提取器提取隐藏的机械退化特征；
[0011]S4，将所述机械退化特征分别输入到所述回归器和所述重构器中，输出剩余寿命值和重构信号；
[0012]S5，采用回归损失和重构损失更新双注意力引导模型，并输出最佳的训练机械退化特征；
[0013]S6，将测试集输入至更新的特征提取器，获取测试机械退化特征，并用多核最大均值差异损失最小化最佳的训练和测试的机械退化特征之间的差异；
[0014]S7，将训练好的特征提取器和回归器组合，并预测测试集的剩余寿命值，实现对旋转机械健康评估。
[0015]进一步技术方案为：
[0016]步骤S2中，所述双注意力引导模型由一个特征提取器，一个重构器和一个回归器组成；
[0017]所述特征提取器包括两层可变形卷积层、两层时间卷积层和一层并行的注意力通道；所述重构器由四层卷积层组成；所述回归器包括四层全连接层；
[0018]所述特征提取器的各层按以下顺序依次堆叠：第一层可变形卷积层、第一层时间卷积层、第二层可变形卷积层、第二层时间卷积层和并行的注意力通道。
[0019]步骤S3中，由所述特征提取器提取隐藏的机械退化特征，具体包括：
[0020]给定卷积核N
×
N的采样域和可变形卷积层的输入x
l
‑1，并在采样位置处加入偏移量Δp
n
＝{(x
offset
，y
offset
)|(0，0)，....，(N
‑
1，N
‑
1)}；
[0021]则对采样位置p0的输出特征图描述如下：
[0022][0023]式中，p
n
表示采样域中的采样点，n取值范围0，1，...，N
×
N；为相应的权重；b
0l
为相应的偏值；上标l表示为第l层可变形卷积层，l＝1或2；
[0024]将上式通过双线性插值转换得到：
[0025][0026]式中，q为插值的变换位置，G(q，p)为双线性插值核，p＝p0+p
n
+Δp
n
。
[0027]所述并行的注意力通道包括两层并行的注意力层，每层的结构一致；
[0028]所述并行的注意力通道的数据处理具体包括：
[0029]首先，分别采用全局最大池化GMP通道和全局平均池化GAP通道，来聚集通道的多尺度全局信息，生成两个不同的特征图v
l
∈R
c
×
h
×
w
和m
l
∈R
c
×
h
×
w
，其中R
c
×
h
×
w
为实数域，上标c为特征图通道数，h为特征图的高，w为特征图的宽；
[0030]然后，v
l
和m
l
被输入至所述两层并行的注意力层中，得到两个对应的输出；
[0031]对应GMP通道的注意力层的输出为：
[0032][0033]式中，分别为三个注意力矩阵，其中分别表示Q1矩阵、K1矩阵、V1矩阵中的权重，d
k
表示K矩阵的维数、softmax()为
SoftMax函数，下标1表示GMP通道；
[0034]对应GMP通道的注意力层的输出为：
[0035][0036]式中，分别为三个注意力矩阵，其中，分别为Q2矩阵、K2矩阵、V2矩阵中的权重，下标2表示GMP通道；
[0037]最终并行的注意力通道的输出即为经过特征提取器提取的机械退化特征f
S
：
[0038][0039]式中，表示矩阵和。
[0040]步骤S4中，将所述机械退化特征f
S
分别输入到所述回归器和所述重构器中，输出剩余寿命值和重构信号，具体包括：
[0041]经过特征提取器提取的机械退化特征f
S
被输入回归器中，在回归器中生成相应的预测的剩余寿命值；回归器和特征提取器以端到端有均方误差损失方式进行训练，均方误差损失即为回归损失
[0042]经过特征提取器提取的机械退化特征f
S
被输入至重构器中，采用四次标准卷积，输出重构信号，通过最小化重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双注意力引导的旋转机械健康评估方法，其特征在于，包括以下步骤：S1，采集旋转机械的水平振动信号，对所述水平振动信号进行处理以获取时频图数据，把所有时频图数据划分测试集和训练集，然后将测试集进行剩余寿命值标记；S2，构建双注意力引导模型，其包括特征提取器，重构器和回归器；S3，将训练集输入至双注意力引导模型，由所述特征提取器提取隐藏的机械退化特征；S4，将所述机械退化特征分别输入到所述回归器和所述重构器中，输出剩余寿命值和重构信号；S5，采用回归损失和重构损失更新双注意力引导模型，并输出最佳的训练机械退化特征；S6，将测试集输入至更新的特征提取器，获取测试机械退化特征，并用多核最大均值差异损失最小化最佳的训练和测试的机械退化特征之间的差异；S7，将训练好的特征提取器和回归器组合，并预测测试集的剩余寿命值，实现对旋转机械健康评估。2.根据权利要求1所述的方法，其特征在于，步骤S2中，所述双注意力引导模型由一个特征提取器，一个重构器和一个回归器组成；所述特征提取器包括两层可变形卷积层、两层时间卷积层和一层并行的注意力通道；所述重构器由四层卷积层组成；所述回归器包括四层全连接层；所述特征提取器的各层按以下顺序依次堆叠：第一层可变形卷积层、第一层时间卷积层、第二层可变形卷积层、第二层时间卷积层和并行的注意力通道。3.根据权利要求2所述的方法，其特征在于，步骤S3中，由所述特征提取器提取隐藏的机械退化特征，具体包括：给定卷积核N
×
N的采样域和可变形卷积层的输入x
l
‑1，并在采样位置处加入偏移量Δp
n
＝{(x
offset
,y
offset
)|(0,0),....,(N
‑
1,N
‑
1)}；则对采样位置p0的输出特征图描述如下：式中，p
n
表示采样域中的采样点，n取值范围0，1，
…
，N
×
N；为相应的权重；b
0l
为相应的偏值；上标l表示为第l层可变形卷积层，l＝1或2；将上式通过双线性插值转换得到：式中，q为插值的变换位置，G(q,p)为双线性插值核，p＝p0+p
n
+Δp
n
。4.根据权利要求2所述的方法，其特征在于，所述并行的注意力通道包括两层并行的注意力层，每层的结构一致；所述并行的注意力通道的数据处理具体包括：首先，分别采用全局最大池化GMP通道和全局平均池化GAP通道，来聚集通道的多尺度全局信息，生成两个不同的特征图v

【专利技术属性】
技术研发人员：贾民平，庄集超，黄鹏，胡建中，许飞云，
申请(专利权)人：东南大学，
类型：发明
国别省市：