【技术实现步骤摘要】
一种包含注意力机制的深度神经网络轴承故障诊断方法
[0001]本专利技术属于智能检测
,具体涉及一种包含注意力机制的深度神经网络轴承故障诊断方法。
技术介绍
[0002]目前轴承的故障诊断流程一般是由振动监测系统收集轴承工作过程中的振动信号,再由现场维护人员对振动信号进行分析,判断出的故障信息。这种方式收集的信息一般包含大量噪声,目前含噪声振动信号需要人工处理进行标注,不仅需要花费大量时间,不同人员之间对信号标签判断的准确程度也不相同,甚至对于无法判断的数据会直接舍弃,当振动信号中包含有不止一种的复合故障时,会给人工判别带来困难。
[0003]上述因素导致人工判断的方式效率低下,经验不足的人员判断错误率较高,人工难以全面分析出振动数据中所蕴含的信息,具有片面性,对大型工厂来说,靠人力难以满足日渐增大的维护需求。而智能检测在应用中也同样存在上述问题,对包含大量噪声,并可能存在复合故障的情况,现有的智能检测方法也不能很准确地诊断出轴承故障。
技术实现思路
[0004]本专利技术的目的是提供一种包含注意力机制的深度神经网络轴承故障诊断方法用于解决现有技术中,由于轴承工作过程中的振动信号包含大量噪声,并可能存在复合故障的情况,导致检测诊断的准确性不足的技术问题。
[0005]所述的一种包含注意力机制的深度神经网络轴承故障诊断方法,包括下列步骤:
[0006]步骤1、通过安装在轴承做或机器外壳上的传感器对轴承原始振动信号进行采样。
[0007]步骤2、对输入信号进行VMD分 ...
【技术保护点】
【技术特征摘要】
1.一种包含注意力机制的深度神经网络轴承故障诊断方法,其特征在于:包括下列步骤:步骤1、通过安装在轴承做或机器外壳上的传感器对轴承原始振动信号进行采样;步骤2、对输入信号进行VMD分解,将分解后的信号随机按比例划分为训练集、验证集和测试集;步骤3、构建SE
‑
Res网络,该网络包括卷积层、注意力层、残差模块层;步骤4、使用训练集对网络进行训练,并用验证集对其进行验证,最后使用测试集作为输入,输出最终的故障诊断结果。2.根据权利要求1所述的一种包含注意力机制的深度神经网络轴承故障诊断方法,其特征在于:所述步骤3具体包括,输入信号经过卷积层后得到特征图,输入注意力层后得到注意力作用下的权重特征图,输入Res
‑
SE模块后得到通道注意力权重,经过池化后被输入多个残差模块堆叠的网络,最后经过池化连接到全连接层,经过SoftMax函数或sigmoid函数输出。3.根据权利要求2所述的一种包含注意力机制的深度神经网络轴承故障诊断方法,其特征在于:所述步骤3中,对复合故障使用sigmoid函数输出并通过二元交叉熵函数计算损失。4.根据权利要求2所述的一种包含注意力机制的深度神经网络轴承故障诊断方法,其特征在于:混合注意力模块融合了通道注意力与空间注意力,将从上一层传递的输入信息经过全局最大池化,全局平均池化和随机池化,将各自所得的结果经过一个1
×
1的卷积,分别得到三个特征图,再将它们送入一个共享的神经网络,其激活函数为ReLU函数;将上述神经网络输出的特征进行Add操作将特征图相加,通道数不变,再经过Sigmoid激活函数将输出限制到0到1之间,将输出的特征图与原图做multiply操作,使输出变回原图大小,生成空间注意力所需的输入特征;再将其分别做基于通道的最大池化、平均池化和随机池化,经过一个1
×
1卷积降维为1个通道,再通过sigmoid激活,生成的特征就经过了通道注意力和空间注意力加权。5.根据权利要求2所述的一种包含注意力机制的深度神经网络轴承故障诊断方法,其特征在于:所述Res
‑
SE模块将通道注意力模块插入到卷积层后,对重要特征加权,所述通道注意力模块将数据经卷积层处理后通过通道注意力进行全局平均池化,对平均池化后的特征进行两次全连接操作,第一次全连接操作生成的特征用ReLU激活函数进行处理,第二次全连接层使特征恢复到输入的通道数,并用Sigmoid激活函数让每个特征通道的权值固定在0
‑
1之间,对Sigmoid激活函数输出的特征做multiply操作,再与输入的特征进行concatenate拼接。6.根据权利要求2所述的一种包含注意力机制的深度神经网络轴承故障诊断方法,其特征在于:所述残差模块在Inception模块后插入了通道注意力模块,对重要特征加权,所述通道注意力模块将数据经卷积层处理后通过通道注意力进行全局平均池化,对平均池化后的特征进行两次全连接操作,第一次全连接操作生成的特征用ReLU...
【专利技术属性】
技术研发人员:许越,徐新志,翟润昌,束正华,陈洋,张晓光,
申请(专利权)人:安徽智质工程技术有限公司,
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。