一种使用注意力强化机制的小样本调节阀故障诊断方法技术

本发明专利技术涉及一种使用注意力强化机制的小样本调节阀故障诊断方法。本发明专利技术通过将源域数据集划分为查询集和支持集，取出数据并送入由四个卷积块构成的特征提取模块，提取传感器信号的三维特征图；同时引入并行注意力强化机制，将处理好的源域数据送入AWRN网络中训练，获得最优的测试精度r

【技术实现步骤摘要】
一种使用注意力强化机制的小样本调节阀故障诊断方法


[0001]本专利技术属于自动化仪表控制
，涉及一种使用注意力强化机制的小样本调节阀故障诊断方法，适用于不同信号采集方式下的调节阀故障诊断。

技术介绍

[0002]在生产流程控制环节，调节阀是调节介质流量、压力、温度、液位等工艺参数的执行单元。调节阀按照控制方式可以分为气动，电动和液动方式，广泛应用于石油化工，水利，冶金，电力，建筑等领域。
[0003]对调节阀设备进行故障诊断是智能制造的重要部分，有利于维护设备在使用过程中的安全和健康。在运行过程中准确、及时地识别气动阀故障，对于确保调节阀设备的安全运行，避免经济损失和重大灾难性事故具有重要意义。但是很多故障诊断策略都是依赖专家经验、耗时且需要手动的特征提取操作，这些方法通常是耗时，容易出错且不准确的。随着深度学习的快速发展，基于深度学习的故障诊断领域在近年来取得了实质性进展。可是深度学习的故障诊断方法依赖大量标记的训练数据和昂贵的计算资源，这严重限制了深度学习在故障诊断领域中的应用潜力。于是，提出了一种使用注意力强化机制的小样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用注意力强化机制的小样本调节阀故障诊断方法，其特征在于：具体包括以下步骤：步骤A1：在目标调节阀上安装相应的传感器，通过调节阀仿真模型生成仿真数据或者采集调节阀在某些稳定工况下的传感器信号，并按照固定采样点分割信号，制作源域数据集；步骤A2：将源域数据集划分为查询集和支持集，取出数据并送入由四个卷积块构成的特征提取模块，提取传感器信号的三维特征图，分别为支持特征图f
S
和查询特征图f
Q
；步骤A3：引入并行注意力强化机制，并通过升维和注意力加权操作获得强化后的新特征图，分别为新支持特征图f
S
′
和新查询特征图f
Q
′
；步骤A4：将上述的两个新特征图按照深度进行特征图串联，通过卷积层以及全连接层构成的相似度对比模块，获得二者的对比精度；步骤A5：计算AWRN网络的MSE损失函数，并反向更新模型参数，由此获得训练后AWRN网络；步骤A6：采集少量故障工况下的调节阀传感器信号，并按照固定采样点分割信号，制作少量的目标域数据集；更换数据集并重复步骤A2
‑
A4，获得测试精度r；步骤A7：在多次迭代过程下，获得最优的测试精度r
best
下AWRN网络模型；将该模型部署到PC机或树莓派上，实现对调节阀故障的实时监测；步骤A8：继续捕捉少量故障工况下的调节阀传感器数据，当达到特定的时间或捕捉的故障数据到达设定数量时，重新训练模型并更新部署。2.如权利要求1所述的使用注意力强化机制的小样本调节阀故障诊断方法，其特征在于：步骤A3中所述的并行注意力强化机制通过BAM并行注意力采集强化特征；该网络的上层采用最大池化层以及MLP网络构成通道注意力机制，下层采用多层扩张卷积结构构成空间注意力机制，二者经过BN层组合输出；对于给定的支持特征图f
s
，通过并行注意力模块推断出一个三维的权重向量M(f
S
)；该权重参数的公式为：其中C表示卷积操作，1*1和3...

【专利技术属性】
技术研发人员：薛立，江爱朋，祁雁英，王燕，郑小青，高宇航，暨仲明，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：