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]基于机器学习的故障诊断方法的诊断精度主要取决去特征表达的效果和故障分类器的分类能力。准确的特征表达可以提高数据样本在特征空间的区分度，但是表达能力较差的特征可能会使不同类别的样本在特征空间中混叠，影响分类精度。
[0006]基于深度学习的故障诊断方法可以弥补机器学习故障特征表达能力较差的问题。使用深度学习模型，可以从设备声信号的时域和频域特征中提取更多的特征表示。与机器学习方法相比，避免了因特征表达模糊或特征选择不合适导致的诊断不精确的问题，提高了故障诊断算法的适应性。基于深度学习的故障诊断方法需要对采集到的声信号进行时频特征提取，再使用神经网络对特征进行学习及分类，该技术虽然原理简单、成本不高，但由于提取时频让特征需要耗费一定时间，所以在实时性上仍有进步空间，且由于人工设计滤波器窗口会难以使时频分辨率达到最佳平衡。
[0007]总体而言，现有的针对声信号的故障诊断方法，存在检测成本高、稳定性差、实时性低等缺点。
[0008]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0009]为解决上述技术问题，本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。
[0010]优选的，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。
[0011]优选的，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
为空间注意力特征，M
c,avg
为通道注意力特征的平均值，M
c,max
为通道注意力特征的最大值，f7×7表示尺寸为7
×
7的卷积运算；S33：通过CBAM注意力机制对空间注意力特征和通道注意力特征进行加权融合，获得融合特征，计算公式为：其中，为空间注意力单元输出的权重矩阵，为通道注意力单元的权重系数，
M
(s)
(F)为多尺度特征。
[0012]优选的，所述基于残差结构的特征提取单元包括7层残差块、归一化层和全连接层；每个残差块使用的卷积核尺寸均为3
×
1，卷积核使用LeakyRelu激活函数进行激活；全连接层的尺寸为256
×
2。
[0013]优选的，步骤S4具体为：S41：将融合特征输入基于残差结构的特征提取单元，依次经过7层残差块进行特征提取，获得诊断特征；S42：将诊断特征输入归一化层进行标准化处理，获得标准化的诊断特征；S43：将标准化的诊断特征输入全连接层进行故障概率判断，输出故障预测结果。
[0014]一种可迁移的端到端声信号诊断系统，包括：诊断模型构建模块，用于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；特征提取模块，用于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；特征融合模块，用于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；故障预测结果获取模块，用于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。
[0015]本专利技术具有以下有益效果：1、利用设备故障状态时声信号特征会发生变化，通过非接触式的方式实时采集声信号，保证声信号判断时的非接触；2、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，解决现有的故障诊断方法实时性较差及无法较好平衡时频分辨率的问题。
附图说明
[0016]图1为本专利技术实施例方法流程图；图2为多尺度特征提取单元的结构图图3为基于注意力机制的特征融合单元的结构图；图4为基于残差结构的特征提取单元的结构图；本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0017]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0018]参照图1，本专利技术提供一种可迁移的端到端声信号诊断方法，整体思路为：利用设备故障状态时声信号的特征会发生变化，通过非接触式的方式实时采集声信号，并不同尺寸的滤波器提取不同时频权衡的特征，最后通过特征融合和特征提取来预测是否存在故障情况，由此实现故障类型的端到端实时检测；
包括以下步骤：S1：构建端到端故障诊断模型，端到端故障诊断本文档来自技高网...

【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：