【技术实现步骤摘要】
一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法
[0001]本专利技术涉及基于深度学习的轴承故障诊断
,尤其涉及一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法。
技术介绍
[0002]滚动轴承作为机械设备中的核心部件之一,其健康状况是保证设备能够正常工作的关键因素。据相关文献统计,约有30%的故障是由故障损坏所引起的。一旦因为轴承故障引发大面积的机械故障,会导致整个系统运行出现问题,那么必将导致不可估量的人身、财产损失,所以轴承故障诊断技术的研究具有重要的经济价值和社会效益。
[0003]随着人工智能与大数据技术的快速发展,在工业大数据背景下,智能化的故障诊断技术作为保障机械设备安全运行的重要手段,逐渐成为了工业领域的热点问题。故障诊断借助深度学习技术的应用也取得了新的研究进展。作为深度学习的典型技术,注意力机制、卷积神经网络(Convolutional Neural Network,CNN)和门控循环神经单元(Gated Recurrent Unit,GRU)在故障诊断上的研究也取得了很大的进展。
[0004]CNN可以通过使用局部感受野和权重分配策略进行优化的方式来减少需要训练的参数数量,有效地减轻训练过程中的计算负担,但CNN的平移不变性和池化层的存在会导致许多非常有价值的空间信息丢失,同时也忽略了局部与整体之间的关联。对于序列信号来说,缺少内部之间的长期依赖关系。然而这种隐藏在序列内部之间的长期依赖关系被认为是一种有助于故障诊断的特征。GRU是长短时记忆网络(Lo ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法,其特征在于,包括以下步骤:步骤a,将数据集划分为训练集和测试集,并对其原始信号进行归一化操作;步骤b,将步骤a归一化后的数据转换成对应于不同故障情况的二维灰度图并设置对应的标签;步骤c,将步骤b得到的灰度图像输入卷积神经网络进行特征提取;步骤d,利用注意力机制模块提取图像的显著性特征,并将输出值约束在0
‑
1之间;步骤e,将步骤c从卷积神经网络中提取的特征与其对应的注意力机制模块所输出的显著性特征进行逐元素相乘;步骤f,将步骤e相乘得到的结果输入门控循环单元,通过门控循环单元捕捉时序数据的时间相关性;步骤g,最终利用softmax分类器输出分类标签。2.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法,其特征在于,所述步骤a中,采用min
‑
max标准化方法对轴承信号进行归一化处理,并将其结果映射到[0,255]之间,具体公式为:其中,X是原始数据,Xnorm是归一化之后的结果,Xmax是原始数据中最大值,Xmin是原始数据中最小值,这里为了消除小数,使用round函数对数值进行四舍五入。3.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法,其特征在于,所述步骤b中,在转换过程中,采用直接转换的方法,从一维信号中随机截取一段N2的信号,将信号值逐行填充到N
×
N矩阵中,即每N个信号值都可以填充到矩阵的一行中,然后对矩阵进行标准化,从而得到相应的灰度图;填充的数据被归一化为0到255,并且使用零填充来防止数据输入到卷积神经网络时的大小损失。4.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法,其特征在于,所述步骤c中,卷积神经网络采用LeNet
‑
5的结构,结构由两部分组成:卷积编码器:由两个卷积层组成;全连接层密集块:由三个全连接层组成。5.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员:徐鹏,皋军,邵星,王翠香,潘磊,
申请(专利权)人:盐城工学院,
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。