基于双注意力机制的齿轮箱故障诊断的方法、系统及装置制造方法及图纸

本发明专利技术公开了基于双注意力机制的齿轮箱故障诊断的方法、系统及装置，其中所述方法包括如下步骤：S1：获取齿轮箱的原始振动信号，得到多维数据集；S2：对齿轮箱的原始振动信号进行时频转换，得到二维图像数据；S3：将二维图像数据输入到DAnet模型中，分别在空间注意力模块和通道注意力模块里集合自注意力，再进行融合，获取最终特征图；S4：将最终特征图通过全连接层和softmax分类器进行故障识别。本发明专利技术可以实现对齿轮箱故障类型分类，显著地增强故障特征效果，具有一定的抗干扰能力，能够提高故障识别的准确率。障识别的准确率。障识别的准确率。

【技术实现步骤摘要】
基于双注意力机制的齿轮箱故障诊断的方法、系统及装置


[0001]本专利技术涉及齿轮箱故障诊断领域，尤其是涉及基于双注意力机制的齿轮箱故障诊断的方法、系统及装置。

技术介绍

[0002]进入21世纪，能源安全和环境保护已成为全球化的问题，各国政府高度重视发展可再生能源，风力发电作为可再生能源技术之一，由于其存在众多优点，正朝着大型化、规模化的方向发展。旋转机械是风力发电机中广泛使用的机械类型之一，其可靠性和安全性对风力发电机的稳定运行至关重要。齿轮是旋转机械中最关键的部件，由于其复杂的工作环境，也是最易损坏的部件之一，因此，齿轮故障的及时诊断对于保障风力发电机的高效运行具有重要作用。然而，现有的齿轮箱故障诊断技术中，故障特征信号较弱，抗干扰能力和故障识别准确率较低。

技术实现思路

[0003]本专利技术的目的在于提供基于双注意力机制的齿轮箱故障诊断的方法、系统及装置，旨在解决齿轮故障识别的方法、系统及装置。
[0004]为了达到上述目的，本专利技术采用的技术方案是：
[0005]本专利技术提供基于双注意力机制的齿轮箱故障诊断的方法，包括以下步骤：
[0006]S1：获取齿轮箱的原始振动信号，得到多维数据集；
[0007]S2：对齿轮箱的原始振动信号进行时频转换，得到二维图像数据；
[0008]S3：将二维图像数据输入到DAnet模型中，分别在空间注意力模块(PAM,Position Attention Module)和通道注意力模块(CAM,Channel Attention Module)里集合自注意力，再进行融合，获取最终特征图；
[0009]S4：将所述最终特征图通过全连接层和softmax分类器进行故障识别。
[0010]优选地，所述的基于双注意力机制的齿轮箱故障诊断的方法，所述齿轮箱用于风力发电机。
[0011]优选地，所述的基于双注意力机制的齿轮箱故障诊断的方法，S1中所述多维数据集包括：加速度、转角和压力。
[0012]优选地，所述的基于双注意力机制的齿轮箱故障诊断的方法，S2中所述时频转换采用的是连续小波变换原理：
[0013]设f(t)∈L2(R)，是容许小波，则
[0014][0015]其中，W
wt
为函数f(t)的连续小波变换，a为尺度因子，b为平移因子，t为时间。
[0016]优选地，所述的基于双注意力机制的齿轮箱故障诊断的方法，S3中所述空间注意
力模块的Spatial attention map的计算：
[0017][0018][0019]其中，S
ij
度量为第i个位置和第j个位置之间的关联程度/相关性，越大越相似；β表示尺度系数，初始化为0，并逐渐地学习分配到更大的权重；E为每个通道的结果特征，是所有通道特征和原始特征的加权和。
[0020]优选地，所述的基于双注意力机制的齿轮箱故障诊断的方法，S3中所述通道注意力模块的Channel attention map的计算：
[0021][0022][0023]其中，x
ij
度量为第i个通道对第j个通道的影响；β表示尺度系数，初始化为0，并逐渐地学习分配到更大的权重；E为每个通道的结果特征，是所有通道特征和原始特征的加权和。
[0024]优选地，所述的基于双注意力机制的齿轮箱故障诊断的方法，S3具体包括以下步骤：
[0025]S31：将所述二维图像数据输入到Resnet网络结构进行计算，提高模型训练的稳定性；
[0026]S32：在DAnet模型中，DAnet沿着所述最终特征图的空间和通道维度计算注意力权重，所述空间注意力模块用于捕捉两个位置之间的上下文信息，而所述通道注意力模块用于捕捉通道维度上的上下文信息；
[0027]S33：将所述空间注意力模块和所述通道注意力模块得到的二维特征图进行融合操作，得到所述最终特征图。
[0028]基于双注意力机制的齿轮箱故障诊断的系统，包括：
[0029]获取模块：用于获取齿轮箱的原始振动信号以得到多维数据集；
[0030]处理模块：用于将齿轮箱的原始振动信号的空间特征和时间特征进行时频转换处理集成到二维图像数据中；
[0031]注意力集中机制模块：用于将多维数据集输入DAnet模型中得到对重要特征注意力的二维图像；
[0032]识别模块：用于将最终处理的二维图像放入全连接层，并用softmax分类器进行故障识别。
[0033]优选地，所述的基于双注意力机制的齿轮箱故障诊断的系统，其特征在于，所述注意力集中机制模块包括空间注意力模块和通道注意力模块；其中，
[0034]所述空间注意力模块用于捕捉两个位置之间的上下文信息；
[0035]所述通道注意力模块用于捕捉通道维度上的上下文信息。
[0036]基于双注意力机制的齿轮箱故障诊断的装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于双注意力机制的齿轮箱故障诊断的方法的步骤。
[0037]本专利技术的有益效果是：
[0038]1.本专利技术通过小波变换分解不同频域的故障特征，能够有效地诊断齿轮的故障，并对一些不能振动信号中隐藏的信息可以进行充分挖掘。以resnet101为网络主干，可以降低过拟合的问题减少了特征信息二维图像尺寸带来的信息损失，从而能够及时诊断齿轮的故障。
[0039]2.本专利技术采用的基于注意力集中机制的双注意力网络DAnet能够增强图片中特征表示的判别能力，本专利技术提出了空间注意力模块和通道注意力模块，在局部特征上建模丰富的上下文相关性，显著地增强故障特征效果，具有一定的抗干扰能力，能够提高故障识别的准确率。
附图说明
[0040]图1是本专利技术的方法流程图；
[0041]图2是本专利技术的时频转换示意图；
[0042]图3是本专利技术的DAnet模型结构示意图；
[0043]图4是本专利技术的空间注意力模块结构；
[0044]图5是本专利技术的通道注意力模块结构；
[0045]图6是本专利技术的Softmax结构图；
[0046]图7是本专利技术的DAnet注意力流程图；
[0047]图8是本专利技术的系统框架图；
[0048]图9是本专利技术的装置框架图。
具体实施方式
[0049]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0050]本专利技术的
技术实现思路
在于提出基于双注意力机制的齿轮箱故障诊断的方法、系统及装置，利用小波变换分解不同频域的故障特征，结合DAnet模型的故障诊断的方法，解决了现有齿轮箱故障诊断技术中，诊断齿轮本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双注意力机制的齿轮箱故障诊断的方法，其特征在于，包括以下步骤：S1：获取齿轮箱的原始振动信号，得到多维数据集；S2：对齿轮箱的原始振动信号进行时频转换，得到二维图像数据；S3：将所述二维图像数据输入到DAnet模型中，分别在空间注意力模块和通道注意力模块里集合自注意力，再进行融合，获取最终特征图；S4：将所述最终特征图通过全连接层和softmax分类器进行故障识别。2.如权利要求1所述的基于双注意力机制的齿轮箱故障诊断的方法，其特征在于，所述齿轮箱用于风力发电机。3.如权利要求1所述的基于双注意力机制的齿轮箱故障诊断的方法，其特征在于，S1中所述多维数据集包括：加速度、转角和压力。4.如权利要求1所述的基于双注意力机制的齿轮箱故障诊断的方法，其特征在于，S2中所述时频转换采用的是连续小波变换原理：设f(t)∈L2(R)，是容许小波，则其中，W
wt
为函数f(t)的连续小波变换，a为尺度因子，b为平移因子，t为时间。5.如权利要求1所述的基于双注意力机制的齿轮箱故障诊断的方法，其特征在于，S3中所述空间注意力模块的Spatial attention map的计算：map的计算：其中，S
ij
度量为第i个位置和第j个位置之间的关联程度/相关性，越大越相似；β表示尺度系数，初始化为0，并逐渐地学习分配到更大的权重；E为每个通道的结果特征，是所有通道特征和原始特征的加权和。6.如权利要求1所述的基于双注意力机制的齿轮箱故障诊断的方法，其特征在于，S3中所述通道注意力模块的Channel attention map的计算：map的计算：其中，x
ij
度量为第i个通道对第j个通道的影响；β表示尺度系数...

【专利技术属性】
技术研发人员：张春良，赵乾柏，朱厚耀，岳夏，李子涵，黄灿容，郑仲之，
申请(专利权)人：广州大学，
类型：发明
国别省市：