基于增强关系网络的齿轮故障诊断方法技术

本发明专利技术提出一种基于增强关系网络的齿轮故障诊断方法，1)获取多个样本齿轮振动信号，将其划分为支撑集和查询集；2)通过连续小波变换将获得支撑集和查询集中齿轮振动信号转换为二维视频图；3)通过加入CA注意力机制增强关系网络获得数据集强特征的能力；4)利用获得的数据构建训练齿轮故障诊断的关系网络模型；5)实时监测并收集齿轮箱的振动信号，并对振动信号进行预处理；6)将预处理后的振动信号输入到关系网络分类模型中，通过分析对比得到齿轮箱的运行状态，从而完成齿轮箱的故障诊断，本发明专利技术充分利用CA注意力机制来增强关系网络提取特征的能力，减少因样本量少而导致的诊断准确率低的问题。率低的问题。率低的问题。

【技术实现步骤摘要】
基于增强关系网络的齿轮故障诊断方法


[0001]本专利技术涉及机械设备故障诊断领域，具体涉及一种基于增强关系网络的齿轮故障诊断方法。

技术介绍

[0002]齿轮是现代旋转机械中不可或缺的关键零部件，一旦出现故障，将会严重影响设备的生产，甚至可能导致安全事故，造成巨大的经济损失和人员伤亡。传统深度学习的故障诊断技术面临着故障样本数量有限、工况差异大、故障特征不明显等多方面问题，导致模型泛化性能差且诊断精度低。现有的解决小样本问题的方法往往是基于已经采集到的数据进行仿真扩充，但是在变工况下数据扩充的作用也将不太明显；且应用一个更为适合于齿轮箱故障匹配精度的模型也至关重要。
[0003]注意力机制(coordinate attention，简称CoordAttention，CA)。首先，它不仅仅能捕获跨通道的信息，还能捕获方向感知和位置感知的信息，这能帮助模型更加精准地定位和识别感兴趣的目标。CoordAttention将通道注意力分解为两个沿着不同方向聚合特征的1D特征编码过程。这样的好处是可以沿着一个空间方向捕获长程依赖，沿着另一个空间方向保留精确的位置信息。然后，将生成的特征图分别编码，形成一对方向感知和位置敏感的特征图，它们可以互补地应用到输入特征图来增强感兴趣的目标的表示。摒弃数据扩充的办法，在对标记数据的需求不高的情况下，让网络聚焦于故障特征，减轻对非必要信息的关注，更大限度捕捉故障特征的关键信息，从而提高故障分类的能力。
[0004]关系网络(Relation Network)是一种小样本学习(Few
‑
shot learning)方法，它通过学习输入图片之间的深度非线性距离度量，来比较每个样本集任务中图像的相似程度。关系网络不需要扩充样本数据，也不存在训练不收敛、梯度消失等问题，且模型泛化性能强。与欧氏度量，余弦度量等传统的线性度量方式相比，关系网络通过构建神经网络，自己学习了一个度量，训练了一个可学习的非线性距离度量分类器，从而去计算样本之间的匹配程度。
[0005]因此，提出一种基于协调注意力的关系网络小样本齿轮故障诊断方法非常有必要。

技术实现思路

[0006]本专利技术所要解决的技术问题在于针对上述存在的问题，提供一种基于增强关系网络的齿轮故障诊断方法，引入CA机制增强关系网络的特征提取能力，弥补样本量不足的问题，提高了模型的诊断准确率。
[0007]本申请的实施例是这样实现的：
[0008]本申请实施例提供一种基于增强关系网络的齿轮故障诊断方法，其特征在于，包括如下步骤：
[0009]步骤a，通过搭建齿轮箱实验平台，获取多种类型的齿轮振动信号数据，作预处理，
并划分训练集x
i
和测试集x
j
；
[0010]步骤b，利用连续小波变换，将获得的数据集从一维时序信号转化为二维时频图；
[0011]步骤c，加入CA注意力机制，利用卷积神经网络作为特征提取模块，利用神经网络作为关系模块，利用特征提取模块和关系模块构建齿轮故障诊断的关系网络模型；
[0012]步骤d，将训练集x
i
和测试集x
i
的频谱数据作为输入，通过关系网络模型获得测试集x
j
样本与训练集x
i
中不同类别之间的关系得分和关系网络模型的损失函数值得到训练损失参数，将参数植入关系网络模型实现关系网络模型训练；
[0013]步骤e，实时监测并获取齿轮箱的齿轮振动信号，并对齿轮振动信号作预处理；
[0014]步骤f，利用训练好的关系网络模型对待测齿轮振动信号进行分类，根据分类结果判断待测齿轮的故障情况。
[0015]在一些可选的实施方案中，步骤c所述CA注意力机制的具体内容包括：
[0016]步骤c1，坐标信息嵌入：
[0017]对输入X，先使用尺寸(H，1)和(1，W)的池化核沿着水平坐标方向和竖直坐标方向对每个通道进行编码，因此，高度为h的第c个通道的输出表述为：
[0018][0019]宽度为w的第c个通道的输出表述为：
[0020][0021]上述两个变换沿着两个空间方向进行特征聚合，返回一对方向感知注意力特征图；
[0022]步骤c2，坐标注意力生成：
[0023]首先级联步骤c1生成的两个特征图，然后使用一个共享的1x1卷积进行变换F1，表述如下式：
[0024][0025]生成的是对空间信息在水平方向和竖直方向的中间特征图，其中，r表示下采样比例；
[0026]沿着空间维度将f切分为两个单独的张量和再利用两个1x1卷积F
h
和F
w
将特征图f
h
and f
w
变换到和输入X同样的通道数，得到下式的结果：
[0027]g
h
＝σ(F
h
(f
h
))
[0028]g
w
＝σ(F
w
(f
w
))，
[0029]然后对g
h
和g
w
进行拓展，作为注意力权重，CA模块的最终输出可以表述如下式：
[0030][0031]在一些可选的实施方案中，所述关系网络模型RN包含两个模块：由四个卷积块构成的嵌入函数模块：和由两个卷积块构成的相关性计算函数模块：g
φ
，先用嵌入模块进行映射，得到和然后用一个连接算子：直接将两个向量串联
起来，将得到的结果送到关系模块中计算相关性得分，最后会产生一个0到1的相关性得分r
i，j
来表明x
i
与x
j
的相似度，共有N个得分：
[0032][0033]关系网络采用均方差对相似程度得分进行监督，优化目标函数如下：
[0034][0035]当y
i
＝＝y
j
成立时输出为1，通过不断训练更新参数，提高关系网络模型诊断精度。
[0036]在一些可选的实施方案中，所述齿轮振动信号包括无故障状态、齿轮箱表面剥落、齿根故障、断齿故障和齿尖磨损或点蚀。
[0037]在一些可选的实施方案中，所述齿轮振动信号数据的70％划分为训练集，全部标记；30％划分为测试集，部分标记。
[0038]在一些可选的实施方案中，所述齿轮振动信号数据通过贴置在齿轮箱表面及轴承座上加速度传感器采样获取。
[0039]本申请的有益效果是：本申请提供的一种基于增强关系网络的齿轮故障诊断方法，引入CA机制增强关系网络的特征提取能力，弥补样本量不足的问题，提高了模型的诊断准确率；同时关系网络是通过构建神经网络来计算两个样本之间的距离从而分析匹配程度，和孪生网络、原型网络相比，关系网络可以看成提供了一个可学习的非线性分类器用于判断关系，不同于孪生网络、原型网络的距离只是一种线性的关系分类器。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于增强关系网络的齿轮故障诊断方法，其特征在于，包括如下步骤：步骤a，通过搭建齿轮箱实验平台，获取多种类型的齿轮振动信号数据，作预处理，并划分训练集xi和测试集xj；步骤b，利用连续小波变换，将获得的数据集从一维时序信号转化为二维时频图；步骤c，加入CA注意力机制，利用卷积神经网络作为特征提取模块，利用神经网络作为关系模块，利用特征提取模块和关系模块构建齿轮故障诊断的关系网络模型；步骤d，将训练集x
i
和测试集x
j
的频谱数据作为输入，通过关系网络模型获得测试集x
j
样本与训练集x
i
中不同类别之间的关系得分和关系网络模型的损失函数值得到训练损失参数，将参数植入关系网络模型实现关系网络模型训练；步骤e，实时监测并获取齿轮箱的齿轮振动信号，并对齿轮振动信号作预处理；步骤f，利用训练好的关系网络模型对待测齿轮振动信号进行分类，根据分类结果判断待测齿轮的故障情况。2.根据上述权利要求1所述的基于增强关系网络的齿轮故障诊断方法，其特征在于，步骤c所述CA注意力机制的具体内容包括：步骤c1，坐标信息嵌入：对输入X，先使用尺寸(H,1)和(1,W)的池化核沿着水平坐标方向和竖直坐标方向对每个通道进行编码，因此，高度为h的第c个通道的输出表述为：宽度为w的第c个通道的输出表述为：上述两个变换沿着两个空间方向进行特征聚合，返回一对方向感知注意力特征图；步骤c2，坐标注意力生成：首先级联步骤c1生成的两个特征图，然后使用一个共享的1x1卷积进行变换F1，表述如下式：生成的是对空间信息在水平方向和竖直方向的中间特征图，其中，r表示下采样比例；沿着空间维度将f切分为两个单独的张量和再利用两个1x1卷积F
h
和F
w
将特征图f
h
a...

【专利技术属性】
技术研发人员：郭敏，李寒，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：