一种改进MHSA双路径特征融合的小样本故障诊断方法技术

一种改进MHSA双路径特征融合的小样本故障诊断方法，步骤如下：(1)信号采集；(2)数据处理；(3)特征学习；(4)故障分类。在实际工业生产中经常面临信号稀缺问题，为了在有限的训练样本中充分学习振动信号中的时域信息，我们先后对振动信号的时域信息提取两次，首先经过CWT得到具有时频信息的时频图，然后将时频图放入改进的MHSA中进行第二次的时域信息提取，再送入双路径特征融合中提取振动信号的局部信息和全局信息实现故障分类。我们在PT300滚动轴承实验台进行了对比试验来评估该方法的诊断性能。结果表明，本发明专利技术所提出方法的在噪声环境下诊断精度和稳定性要优于传统深度学习和机器学习的故障诊断模型。机器学习的故障诊断模型。机器学习的故障诊断模型。

【技术实现步骤摘要】
一种改进MHSA双路径特征融合的小样本故障诊断方法


[0001]一种改进MHSA双路径特征融合的小样本故障诊断方法，属于故障诊断领域。

技术介绍

[0002]滚动轴承作为机械旋转中的一个重要部件，由于其具有低成本、可替代性、易于再生产等特点，已被广泛运用在旋转机械中。然而在海量数据的时代背景下，传统的基于数学物理模型不具备从海量数据中提取深层特征的能力，面对错综复杂且可变的工业数据，普通浅层模型很难取得理想的结果。近年来，基于数据驱动的深度学习模型得到广泛发展，在图像分类、目标检测、自然语言处理方面取得了显著成果，同时也为故障诊断方向提供了一些解决方案。但故障诊断领域大多数学者研究都是基于信号的时域或者频域上的研究，而隐藏在振动信号时域中频率之间的相对位置信息往往被大家所忽略，对于一些不易获得的小样本数据来说，无疑是丢失了一些深层特征，带来了很高的学习门槛。因此，如何获取更多隐藏在振动信号中的频率出现的相对位置这一重要特征，对于实现旋转机械滚动轴承数据进行准确分类具有重要意义。

技术实现思路

[0003]本专利技术创造提供本专利技术提供本专利技术涉及一种改进MHSA双路径特征融合的小样本故障诊断方法，解决现有技术中存在的智能故障诊断未能提取频率之间相对位置信息的影响，导致深层特征挖掘不充分，精度低的问题。
[0004]本专利技术是通过以下技术方案实现的：一种改进MHSA双路径特征融合的小样本故障诊断方法，步骤如下：
[0005]1)信号采集：利用传感器收集轴承的振动信号，选取数字信号的采样频率为5000Hz的轴承数据。
[0006]2)数据处理：将原始数据一维振动数据进行连续小波变换(CWT)，将一维振动信号转换成同时具有时域和频域信息的二维时频图像。CWT的具体过程可由如式(1)表示：
[0007][0008]其中f(x)代表待处理的原始信号，代表着小波基函数，其中*代表复数共轭符号，a表示尺度因子，b表示平移量参数。
[0009]3)特征学习：
[0010]提出由连续小波变换CWT、改进MHSA、双路特征融合机制组成的旋转机械故障诊断模型结构进行深层特征学习。
[0011]4)故障分类：
[0012]4.1)导入传感器采集到的原始一维振动信号到该模型中：由于小样本问题中样本数量的稀少性，我们一共采集了10类数据，一类正常数据，九类故障数据，每类数据只采集80个样本，十类数据一共800个样本；
[0013]4.2)对一维振动数据进行处理，如步骤2)所示；
[0014]4.3)用步骤4.2)得到的二维时频图，制作故障诊断的训练数据集和测试数据集：如步骤4.1)所述，每类信号采集80个原始一维振动信号，经步骤4.2)后，每类信号得到80个二维时频图数据，然后将每类时频图数据的40％作为训练集，60％作为测试集；
[0015]4.4)构建连续小波变换CWT、改进MHSA和双路特征融合机制组成的一种改进MHSA双路径特征融合的小样本故障诊断方法；
[0016]具体方法如下：
[0017]改进MHSA:双位置编码在小波变换的基础上，再一次对振动信号的时域信息进行提取，为了平衡两次时域信息的内容叠加，我们还使用了双内容编码，对振动信号的频域信息进行一次加强，具体过程如式(2)所示:
[0018][0019]其中X表示特征图，W
q
，W
k
，W
v
都是可学习的参数数组，而Q,K,V分别表示查询矩阵，键矩阵和值矩阵。
[0020]就查询矩阵Q1来说，我们分别计算其在水平方向的位置编码和垂直方向的位置编码其中是列向量，是行向量，S
h
(
·
)，S
w
(
·
)分别表示将列向量和行向量组成一个矩阵，然后将它们合并成为位置矩阵如式(3)所示：
[0021][0022]同理可得查询矩阵Q2合并后的位置编码，如式(4)所示：
[0023][0024]因此，改进得双位置和双内容注意力可以由以下式(5)所示：
[0025][0026]其中V
d
表示Q和K的维度，Q
T
表示Q矩阵的转置矩阵。因此，最终的注意力特征图(IDMSA)的四个组成部分如式(6)所示：
[0027][0028]最后，IDMSA层的输出Y是一个注意力权重，再乘以值矩阵V，可以由式(7)表示：
[0029]Y＝VO
IDMSA
[0030](21)
[0031]双路特征融合机制：双路径特征融合机制包含两条路径，带有改进的MHSA的路径负责原始信号的全局信息，包括信号的位置信息和频率信息，而另一条路径主要是由卷积块组成，用来加深神经网络层数，用来保存输入数据的局部特征，两者的结合让该模型最终的输出既具有全局信息也不会丢失局部信息。为了防止过拟合，采用了具有压缩输入通道中特征矩阵维度的全局平局池化(GAP)方法，具体过程可由式(8)所示：
[0032][0033]其中，c代表样本的第几个通道，x
c
是输入样本的第c个通道，d是样本维度，max(
·
)是最大值函数，j是最大值所在处。
[0034]卷积是提取数据深层特征的重要操作，在网络模型中扮演着不可或缺的作用，其具体过程如式(9)所示：
[0035][0036]其中，x表示输入数据，w
ij
表示权重矩阵，b表示偏置矩阵。C表示通道数，f
conv3*3
(x)代表卷积核大小为3的卷积操作，同理f
conv1*1
(x)代表卷积核大小为1的卷积操作。
[0037]首先，数据会被分别送入左右两个分支，对于左路分支来说，左路分支具体过程为，首先样本会被送入卷积层进行卷积，然后经过激活函数，使数据具有非线性，具体过程如式(10)所示：
[0038]O
conv3*3
＝σ((f
conv3*3
(x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0039]其中，x代表输入数据，f
conv3*3
(
·
)代表卷积核大小为3*3卷积操作，σ是ReLU激活函数。
[0040]将经过ReLU激活函数之后的数据送入改进的MHSA中(既IDMSA)，在经过全局平局池化和1*1的卷积核进行降维操作，具体过程如式(11)所示：
[0041]O
atte
‑
l
＝f
conv1*1
(GAP(IDMSA(O
conv3*3
)))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0042]其中，IDMSA如式(6)所示，f
conv1*1
(
·
)代表卷积核大小为1*1卷积操作，GAP表示全局平均池化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进MHSA双路径特征融合的小样本故障诊断方法，其特征在于，步骤如下：1)信号采集：利用传感器收集滚动轴承的原始一维振动信号，选取数字信号的采样频率为5000Hz的轴承数据；2)数据处理：将原始一维振动信号进行连续小波变换CWT，将一维振动信号转换成二维时频图像；CWT的具体过程由如式(1)表示：其中f(x)代表待处理的原始一维振动信号，代表着小波基函数，*代表复数共轭符号，a表示尺度因子，b表示平移量参数；3)特征学习：通过由连续小波变换CWT、改进MHSA、双路径特征融合机制组成的旋转机械故障诊断模型进行深层特征学习；4)轴承故障诊断：4.1)导入传感器采集到的原始一维振动信号到该模型中；4.2)对一维振动数据进行步骤2)中的连续小波变换CWT处理，得到二维时频图；4.3)用步骤4.2)得到的二维时频图，制作故障诊断的训练数据集和测试数据集；4.4)构建连续小波变换CWT、改进MHSA和双路径特征融合机制组成的一种改进MHSA双路径特征融合的小样本故障诊断方法；4.5)将时频图训练集数据输入步骤4.4)中的故障诊断模型，对其进行训练；4.6)将时频图测试集数据输入步骤4.5)中训练好的模型，并用评价指标验证步骤4.5)模型效果，如果效果能够达到预期，则进行步骤4.7)，否则增加迭代次数后通过步骤4.5)重新对模型进行训练；4.7)将实际得到噪声数据分别输入至步骤4.5)中训练好的故障诊断模型中，进行故障诊断。2.根据权利要求1所述的一种改进MHSA双路径特征融合的小样本故障诊断方法，其特征在于：所述的步骤4.4)中，具体方法如下：改进MHSA：双位置编码在小波变换的基础上，再一次对振动信号的时域信息进行提取，使用双内容编码，对振动信号的频域信息进行一次加强，具体过程如式(2)其中X表示特征图，W
q
，W
k
，W
v
都是可学习的参数数组，Q,K,V分别表示查询矩阵，键矩阵和值矩阵；对查询矩阵Q1，分别计算其在水平方向的位置编码和垂直方向的位置编码其中是列向量，是行向量，S
h
(
·
)，S
w
(
·
)分别表示将列向量和行向量组成一个矩阵，将它们合并成为位置矩阵如式(3)所示：得查询矩阵Q2合并后的位置编码，如式(4)所示：
因此，改进得双位置和双内容注意力由式(5)表示：其中V
d
表示Q和K的维度，Q
T
表示Q矩阵的转置矩阵；因此，最终的注意力特征图IDMSA的四个组成部分如式(6)所示：最后，IDMSA层的输出Y是一个注意力权重，再乘以值矩阵V，以由式(7)表示：Y＝VO
IDMSA
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)双路特征融合机制：双路径特征融合机制包含两条路径，带有改进的MHSA的路径负责原始信号的全局信息，包括信号的位置信息和频率信息，而另一条路径主要是由卷积块组成，用来加深神经网络层数，用来保存输入数据的局部特征，采用具有压缩输入通道中特征矩阵维度的全局平局池化GAP方法，具体过程由...

【专利技术属性】
技术研发人员：张利，顾士兴，丁琳琳，罗浩，张皓博，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：