【技术实现步骤摘要】
一种联合注意力机制选择核卷积残差网络的故障诊断方法
[0001]本专利技术涉及轴承故障诊断领域，特别涉及一种联合注意力机制选择核卷积残差网络的故障诊断方法。
技术介绍
[0002]滚动轴承作为旋转机械的关键机械部件，被广泛应用于各种工业领域，其运行状态监测与故障诊断对于保证装备可靠性、避免安全事故具有重要的意义。然而，实际工程中，由于轴承数据呈现出了数据容量大、健康状况多样性、数据产生速率快的特性，轴承故障诊断亟需向高速、高精、高效方向发展。
[0003]传统机器学习方法仍然主要依赖于人工劳动，诊断模型的性能也往往受到手工提取特征的限制，当数据结构复杂时，难以提取到有效特征。此外，传统的机器学习理论由于泛化性能较低，无法适用于日益增长的数据，降低了诊断精度。深度学习在网络层数的不断加深以及参数规模的持续扩大时会遭遇难以训练的问题。
技术实现思路
[0004]基于以上情况，本专利技术提出了一种联合注意力机制选择核卷积残差网络的故障诊断方法，这种方法能够充分学习故障特征细节信息，忽略网络内部冗余信息，增强...
【技术保护点】
【技术特征摘要】
1.一种联合注意力机制选择核卷积残差网络的故障诊断方法，其特征在于，该方法具体包括如下步骤：步骤S1：通过加速度传感器获取轴承故障样本数据，对获取的轴承故障样本数据用相等长度的窗口进行划分，并对所述轴承故障样本数据进行分类，即为不同故障类型的轴承故障样本数据设置不同的数据标签，根据分类后的轴承故障样本数据建立数据集，再将所述数据集按预设比例划分为训练集和测试集；步骤S2：将所述训练集通过联合注意力机制选择核卷积残差网络进行训练，得到网络权重ResNetCSAM.pth；步骤S3：将所述网络权重ResNetCSAM.pth应用于联合注意力机制选择核卷积残差网络中，得到用于测试轴承故障的联合注意力机制选择核卷积残差测试网络；步骤S4：将所述测试集中的待测试数据送入联合注意力机制选择核卷积残差测试网络中进行特征提取，通过所述联合注意力机制选择核卷积残差测试网络，对待测试数据的轴承故障类别进行综合评估，输出故障的诊断结果；其中，所述联合注意力机制选择核卷积残差网络是指：在核卷积和残差网络的基础上融合空间注意力机制和通道注意力机制的融合注意力机制，充分利用全局上下文信息自适应地捕获位置之间的空间依赖性，挖掘通道映射之间的相互关系，增强特征表示能力；所述联合注意力机制选择核卷积残差网络主要包括两部分，第一部分为基于联合注意力机制选择核卷积，第二部分为基于联合注意力机制残差网络，将第二部分与第一部分串联，并将第二部分的结果作为第一部分的输入；所述联合注意力机制选择核卷积包括：分割操作、融合操作、选择操作，其中，分割操作是指，对于任意给定特征映射H、W和C分别为X的通道数、高度和宽度，为有理数，首先分别执行两个分支的转换，分别为和转换过程中两个分支的卷积核尺寸分别为3和5，U和V分别为两个分支的转换结果；融合操作是指，首先将两个分支的转换结果U和V通过元素的求和进行融合,T为两个分支融合的结果，为元素求和；然后通过全局平均池化操作F
gp
嵌入全局信息C为S的维度，具体来说，S的任意第c
′
个元素S
c'
是通过空间维度H
×
W收缩T来计算的，其中T
c'
(i,j)表示通道值为i、高度为j的两个分支融合结果的第c
′
个元素，c
′
＝1,2,...,C，i＝1,2,...,H，j＝1,2,...,W；此外，通过一个全连接FC层F
fc
实现创建一个紧凑特征进行精确和自适应选择操作，d为Z的行向量维度，Z＝F
fc
(S)＝δ(B(W
·
S))，δ是ReLU函数，B表示批量归一化操作，d＝max(C/r,L)，r为缩减比，L表示d的最小值；选择操作是指，一个跨通道的软注意力用于自适应地选择信息的不同空间尺度，该信息由紧凑的特征描述符z引导，具体来说，其中，是A的第c
′
行，a
c
′
是a的第c
′
个元素，是B的第c
′
行，b
c
′
是b的第c
′
个元素，A,
A，B分别表示两个不同的softmax算子参数，a，b分别表示U,V软注意力向量，在两个分支下，因为a
c
′
+b
c
′
＝1，故矩阵B是冗余的；在通道
‑
空间注意力机制下，其中，M
s
表示通道注意力机制，M
c
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。