一种机电设备的故障诊断方法及系统技术方案

本发明专利技术公开一种机电设备的故障诊断方法及系统，涉及计算机技术领域。本申请的故障诊断模型采用残差网络提取机电设备的故障相关特征，然后采用加权双向特征金字塔网络进行多尺度特征的融合以使特征具有更高的判别能力，采用基于缩放点积注意力机制的循环堆叠结构的特征表示模块进行特征挖掘，在故障样本不足的情况下学习到多尺度特征中的时序信息，从而提高机电设备故障诊断的准确率和效率。提高机电设备故障诊断的准确率和效率。提高机电设备故障诊断的准确率和效率。

【技术实现步骤摘要】
一种机电设备的故障诊断方法及系统


[0001]本专利技术涉及计算机
，尤其涉及一种机电设备的故障诊断方法及系统。

技术介绍

[0002]在如今工业大数据的背景下，人工智能和深度学习的快速发展使得故障诊断逐渐走向智能化，基于神经网络的故障诊断算法越来越受到重视，成为了故障诊断领域新的研究热点。深度学习技术如卷积神经网络、循环神经网络以及对抗神经网络等可以自动地挖掘输入信息的深层特征，在输入端直接输入原始信息，在输出端便可得到故障诊断结果。这类方法在当今故障诊断领域备受重视。
[0003]目前，基于深度学习的故障诊断算法大多是通过多层卷积或者全连接注意力再或者循环神经网络采用长短期记忆提取特征。存在着如下问题：第一，特征融合不彻底，传统的神经网络模型没有进行特征融合或者只有从上到下的特征融合，是基于一个方向的信息流传递，最终只是进行普通的拼接操作，容易造成融合特征的稀疏性，导致信息丢失，降低故障诊断准确性；第二，数据饥渴，传统的深度学习算法因参数量巨大，需要大量的数据进行训练。而机电设备的故障不常发生，使得故障数据极度稀缺，模型训练效果不佳，进而影响机电设备故障诊断的效果。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种机电设备的故障诊断方法及系统，能够提高机电设备故障诊断的准确性。
[0005]一方面，本专利技术实施例提供了一种机电设备的故障诊断方法，包括以下步骤：
[0006]获取机电设备数据；
[0007]将所述机电设备数据输入故障诊断模型，得到机电设备的诊断结果；
[0008]其中，所述故障诊断模型包括残差网络、加权双向特征金字塔网络和特征表示模块，所述特征表示模块采用基于缩放点积注意力机制的循环堆叠结构，所述故障诊断模型的构建过程包括：
[0009]获取训练数据集；
[0010]将所述训练数据集输入所述残差网络进行特征提取，得到多层第一特征数据；
[0011]基于加权双向特征金字塔网络对多层所述第一特征数据进行特征融合，得到多层第二特征数据；
[0012]基于所述特征表示模块对多层所述第二特征数据进行特征挖掘，得到所述训练数据集的预测结果；
[0013]基于所述预测结果进行反向传播更新模型参数，得到训练后的故障诊断模型。
[0014]根据本专利技术一些实施例，所述故障诊断模型的构建过程还包括：
[0015]获取机电设备的历史数据，其中，所述历史数据包括正常数据和不同故障类型的异常数据；
[0016]对所述历史数据进行短时加窗傅里叶变换，得到数据样本；
[0017]将所述数据样本划分训练数据集、验证数据集和测试数据集，其中，所述训练数据集用于训练所述故障诊断模型，所述测试数据集用于检测训练完后故障诊断模型的泛化能力，所述验证数据集用于检测训练完后的故障诊断模型是否过拟合。
[0018]根据本专利技术一些实施例，所述对所述历史数据进行短时加窗傅里叶变换，得到数据样本包括以下步骤：
[0019]将整个时间片段上的历史数据进行分割，得到多个短时片段的历史数据；
[0020]对多个短时片段的历史数据进行傅里叶变换，得到数据样本。
[0021]根据本专利技术一些实施例，所述短时加窗傅里叶变换的公式为：
[0022][0023]其中，g(u
‑
t)为窗函数，f(u)为输入的历史数据，f(w,t)是一个二维信号，包含频率和时间两个维度。
[0024]根据本专利技术一些实施例，所述残差网络采用ResNet，ResNet表示为：
[0025]F(x)＝H(x)+x；
[0026]其中，H(x)为当前层提取的特征，x为上一层提取的特征，即当前层的输入特征，F(x)为当前层的输出特征。
[0027]根据本专利技术一些实施例，所述加权双向特征金字塔网络采用BiFPN，反复使用BiFPN对多层所述第一特征数据进行自上而下路径和自下而上路径的特征融合。
[0028]根据本专利技术一些实施例，BiFPN表示为：
[0029][0030][0031]其中，是第x层的输入特征，即残差网络第x层输出的第一特征数据F
x
(x)，是自上而下路径上第x层的中间特征，而是自下而上路径上第x层的输出特征。
[0032]根据本专利技术一些实施例，所述基于所述特征表示模块对多层所述第二特征数据进行特征挖掘，得到所述训练数据集的预测结果包括以下步骤：
[0033]将每一层的第二特征数据进行卷积标记，得到标记嵌入矩阵；
[0034]将所述标记嵌入矩阵输入所述Transformer编码器，得到编码器输出矩阵；
[0035]根据所述编码器输出矩阵确定每一个标记嵌入矩阵的重要性权重值；
[0036]将每一个标记嵌入矩阵的重要性权重值经全连接层后由softmax函数进行输出，得到预测结果。
[0037]根据本专利技术一些实施例，将所述标记嵌入矩阵输入所述Transformer编码器，得到编码器输出矩阵包括以下步骤：
[0038]对输入的所述标记嵌入矩阵进行线性变换，得到查询矩阵、键矩阵和值矩阵；
[0039]基于多头注意力机制，根据所述查询矩阵、所述键矩阵和所述值矩阵确定编码器输出矩阵。
[0040]另一方面，本专利技术实施例还提供一种机电设备的故障诊断系统，包括：
[0041]第一模块，用于获取机电设备数据；
[0042]第二模块，用于将所述机电设备数据输入故障诊断模型，得到机电设备的诊断结果；
[0043]其中，所述故障诊断模型包括残差网络、加权双向特征金字塔网络和特征表示模块，所述特征表示模块采用基于缩放点积注意力机制的循环堆叠结构，所述故障诊断模型的构建过程包括：
[0044]获取训练数据集；
[0045]将所述训练数据集输入所述残差网络进行特征提取，得到多层第一特征数据；
[0046]基于加权双向特征金字塔网络对多层所述第一特征数据进行特征融合，得到多层第二特征数据；
[0047]基于所述特征表示模块对多层所述第二特征数据进行特征挖掘，得到所述训练数据集的预测结果；
[0048]基于所述预测结果进行反向传播更新模型参数，得到训练后的故障诊断模型。
[0049]本专利技术上述的技术方案至少具有如下优点或有益效果之一：本申请的故障诊断模型采用残差网络提取机电设备的故障相关特征，然后采用加权双向特征金字塔网络进行多尺度特征的融合以使特征具有更高的判别能力，采用基于缩放点积注意力机制的循环堆叠结构的特征表示模块进行特征挖掘，在故障样本不足的情况下学习到多尺度特征中的时序信息，从而提高机电设备故障诊断的准确率和效率。
附图说明
[0050]图1是本专利技术实施例提供的机电设备的故障诊断方法中故障诊断模型构建流程图；
[0051]图2是本专利技术实施例提供的故障诊断模型处理过程示意图。
具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机电设备的故障诊断方法，其特征在于，包括以下步骤：获取机电设备数据；将所述机电设备数据输入故障诊断模型，得到机电设备的诊断结果；其中，所述故障诊断模型包括残差网络、加权双向特征金字塔网络和特征表示模块，所述特征表示模块采用基于缩放点积注意力机制的循环堆叠结构，所述故障诊断模型的构建过程包括：获取训练数据集；将所述训练数据集输入所述残差网络进行特征提取，得到多层第一特征数据；基于加权双向特征金字塔网络对多层所述第一特征数据进行特征融合，得到多层第二特征数据；基于所述特征表示模块对多层所述第二特征数据进行特征挖掘，得到所述训练数据集的预测结果；基于所述预测结果进行反向传播更新模型参数，得到训练后的故障诊断模型。2.根据权利要求1所述的机电设备的故障诊断方法，其特征在于，所述故障诊断模型的构建过程还包括：获取机电设备的历史数据，其中，所述历史数据包括正常数据和不同故障类型的异常数据；对所述历史数据进行短时加窗傅里叶变换，得到数据样本；将所述数据样本划分训练数据集、验证数据集和测试数据集，其中，所述训练数据集用于训练所述故障诊断模型，所述测试数据集用于检测训练完后故障诊断模型的泛化能力，所述验证数据集用于检测训练完后的故障诊断模型是否过拟合。3.根据权利要求2所述的机电设备的故障诊断方法，其特征在于，所述对所述历史数据进行短时加窗傅里叶变换，得到数据样本包括以下步骤：将整个时间片段上的历史数据进行分割，得到多个短时片段的历史数据；对多个短时片段的历史数据进行傅里叶变换，得到数据样本。4.根据权利要求2所述的机电设备的故障诊断方法，其特征在于，所述短时加窗傅里叶变换的公式为：其中，g(u
‑
t)为窗函数，f(u)为输入的历史数据，f(w,t)是一个二维信号，包含频率和时间两个维度。5.根据权利要求1所述的机电设备的故障诊断方法，其特征在于，所述残差网络采用ResNet，ResNet表示为：F(x)＝H(x)+x；其中，H(x)为当前层提取的特征，x为上一层提取的特征，即当前层的输入特征，F(x)为当前层的输出特征。6.根据权利要求1所述的机电设备的故障诊断方法，其特征在于，所述加权双向特...

【专利技术属性】
技术研发人员：程良伦，张鳌，陈翀，王涛，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：