一种可迁移的端到端声信号诊断方法及系统技术方案

本发明专利技术提供一种可迁移的端到端声信号诊断方法，包括：S1：构建端到端故障诊断模型，端到端故障诊断模型包括：多尺度特征提取单元、基于注意力机制的特征融合单元和基于残差结构的特征提取单元；S2：获取设备故障状态时产生的声信号，通过多尺度特征提取单元提取声信号的多尺度特征；S3：将多尺度特征输入基于注意力机制的特征融合单元，对多尺度特征进行加权融合，获得融合特征；S4：将融合特征输入基于残差结构的特征提取单元，对融合特征进行进一步的特征提取，获得故障预测结果。本发明专利技术通过多尺度特征的提取和加权融合，可以有效分析复杂环境中具有较多尺度特征的声信号。杂环境中具有较多尺度特征的声信号。杂环境中具有较多尺度特征的声信号。

【技术实现步骤摘要】
一种可迁移的端到端声信号诊断方法及系统


[0001]本专利技术涉及声信号诊断领域，尤其涉及一种可迁移的端到端声信号诊断方法及系统。

技术介绍

[0002]目前，现有的基于声信号的故障诊断方法主要包含基于模型驱动和基于知识驱动的诊断方法。
[0003]基于模型驱动的方法主要是通过结合专家经验知识模型和信号分析知识实现故障诊断，该方法通常需要根据设备的结构参数和经验故障模型求取故障特征参数，然后对设备反馈信号进行分析，判别设备的运行状态。该方法优点是对于常见零部件的故障经验模型较为成熟，通过对设备的振声信号进行频率分析及故障频率匹配即可识别设备故障类型，但该方法的缺点是，非标准的零部件缺乏故障经验模型，难以进行精确地故障诊断。
[0004]基于知识驱动的故障诊断方法主要指结合数据处理和机器学习算法的故障诊断方法，主要包含基于机器学习的故障诊断方法和基于深度学习的故障诊断方法。相较于传统的故障诊断方法，基于机器学习的方法对故障的识别能力强，精度高，噪声影响下的鲁棒性更优，且易实现对设备连续、实时的状态监测。
>[0005]基于机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可迁移的端到端声信号诊断方法，其特征在于，包括：S1：构建端到端故障诊断模型，端到端故障诊断模型包括：多尺度特征提取单元、基于注意力机制的特征融合单元和基于残差结构的特征提取单元；S2：获取设备故障状态时产生的声信号，通过多尺度特征提取单元提取声信号的多尺度特征；S3：将多尺度特征输入基于注意力机制的特征融合单元，对多尺度特征进行加权融合，获得融合特征；S4：将融合特征输入基于残差结构的特征提取单元，对融合特征进行进一步的特征提取，获得故障预测结果。2.根据权利要求1所述的可迁移的端到端声信号诊断方法，其特征在于，步骤S2具体为：多尺度特征提取单元中不同尺度的一维卷积层对声信号分别进行卷积特征提取，获得多尺度特征，计算公式为：其中，F为声信号，M
(s)
为多尺度特征，s为尺度的编号，w(n)代表第n个卷积核的权重，n为卷积核的编号，F(i)代表第i步卷积操作时所计算的声信号，i为卷积操作步数，N为卷积操作的总步数，b(n)代表第n个的卷积核的偏置矩阵。3.根据权利要求1所述的可迁移的端到端声信号诊断方法，其特征在于，步骤S3具体为：S31：基于注意力机制的特征融合单元包括：通道注意力单元和空间注意力单元，将多尺度特征输入通道注意力单元，计算获得通道注意力特征，计算公式为：其中，M
c
为通道注意力特征，为sigmoid函数，M
(s)
为多尺度特征，M
(s)avg
为多尺度特征的平均值，M
(s)max
为多尺度特征的最大值，MLP()代表一个两层的神经网络，AvgPool代表平均池化，MaxPool代表最大池化，，共享全连接层的权重W0和W1共享数值；S32：将通道注意力特征输入空间注意力单元，计算获得空间注意力特征，计算公式为：其中，M
s

【专利技术属性】
技术研发人员：余永升，章林柯，
申请(专利权)人：海纳科德湖北科技有限公司，
类型：发明
国别省市：