基于制造技术

本发明专利技术请求保护一种基于

【技术实现步骤摘要】
基于CWT与注意力机制的子域适应滚动轴承故障诊断方法


[0001]本专利技术属于滚动轴承故障诊断
，具体涉及一种基于
CWT
与基于注意力机制的改进子域适应残差网络相结合的滚动轴承故障诊断方法
。

技术介绍

[0002]旋转机械设备在工业中有着十分广泛的应用，滚动轴承作为旋转机械设备中的重要组件，对旋转机械的正常运转起着十分关键的作用
。
根据统计数据，由滚动轴承失效导致的旋转机械机电系统故障占
40
％～
70
％，因此，对滚动轴承进行准确的故障诊断对于防止灾难性事故的发生至关重要
。
近年来，故障诊断作为保障机械系统安全运行的有效方法，受到了越来越多的关注和研究
。
[0003]随着深度学习的快速发展，深度学习越来越多地被应用于机器健康检测和故障诊断，特别是轴承故障诊断中
。
但是，在实际的工业应用中，由于工作在复杂多变的环境中，训练数据和测试数据可能来自于不同的特征空间，并且具有不同的分布，并且，从单一分布中难以收集足够的样本，这些情况的出现大大影响了传统的数据驱动方法故障诊断的性能，这意味着经过仔细训练的故障诊断模型在变工况情况下的故障诊断任务中泛化性能不够好
。
因此，利用深度神经网络对大量便于标记的数据进行训练，并对目标任务进行基于迁移学习的故障诊断是一种可行的方法
。
[0004]CN116106012A
，一种基于注意力机制的滚动轴承域适应故障诊断方法，对采集到的滚动轴承振动监测信号，由一维可分离式卷积并嵌有通道注意力机制和长度注意力机制的特征提取器提取到深层故障特征；构建局部注意力域适应模块和全局注意力域适应模块筛选可迁移性好的信号及信号片段，从而提高模型的泛化能力，使模型能够更好地应对变工况故障诊断问题；与迁移学习智能故障诊断算法对比，该算法考虑到不同信号及信号片段的可迁移性不同，提高了模型的可解释性；应用多种轴承振动数据进行实验，都验证了该算法的性能稳定性好，能够在各类工况变化条件下依然保持较为优秀的诊断结果
。
[0005]1)
该专利直接采用分段后的一维原始振动信号作为输入，而将注意力机制直接作用于该信号片段上容易破环原始振动信号中包含的时频特征，为充分保留原始振动信号的时频特征，本专利技术采用基于
CWT
的方法将分段后的信号片段转换为三通道小波尺度图作为输入，提高了网络的对于多种故障特征的识别能力
。2)
本专利技术采用的子域适应方法对比该专利采用的全局域适应方法，提升了网络对于对应源域和目标域样本差异的识别能力，更加细粒度地实现了分类，提高了故障诊断精度
。

技术实现思路

[0006]本专利技术旨在解决以上现有技术的问题
。
提出了一种基于
CWT
与注意力机制的子域适应滚动轴承故障诊断方法
。
本专利技术的技术方案如下：
[0007]一种基于
CWT
与注意力机制的子域适应滚动轴承故障诊断方法，其包括以下步骤：
[0008]步骤
S1
：对源轴承和目标轴承的原始振动信号进行采样处理，得到若干信号样本，
并采用连续小波时频变换
CWT
将每个信号样本分别转换为三通道的源域小波尺度图与三通道的目标域小波尺度图；
[0009]步骤
S2
：搭建深度神经网络，深度神经网络包括由基于注意力机制的改进残差网络
、
特征提取器
、
分类器，以及子域适应网络；
[0010]步骤
S3
：将得到的源域小波尺度图
、
标签以及目标域小波尺度图输入深度神经网络中进行训练，训练的过程逐渐减小源域的分类误差，并且同时缩小源域与目标域数据每个对应子域的距离；
[0011]步骤
S4
：用训练后的所述改进子域适应残差网络模型进行故障诊断
。
[0012]进一步的，所述步骤
S1
对源轴承和目标轴承的原始振动信号进行采样处理，得到若干信号样本，并采用连续小波时频变换
CWT
将每个信号样本转换为三通道小波尺度图，具体包括以下步骤：
[0013]步骤
S1.1
：为将长度为
N
的原始振动信号按照每
m
个数据点为一组进行分段；
[0014]步骤
S1.2
：采用
cmor3
‑3小波作为母小波，对分段后的数量为
N/m
组所述原始振动信号进行分解，提取对应的小波尺度图
。
[0015]进一步的，所述连续小波时频变换
CWT
的步骤如下：
[0016]CWT
通过对小波母函数不断的进行缩放和平移变换实现了动态分辨率，母小波表示为：
[0017][0018]为实现对母小波进行变换，引入参数
τ
控制
ψ
(t)
在时间轴上不断平移，
τ
表示时间或空间位置，引入参数
s
控制
ψ
(t)
进行缩放，
s
表示小波尺度的频率特征，变换公式如下：
[0019][0020]基于上述过程，时域振动信号的
CWT
由以下积分给出：
[0021][0022]其中母小波函数表示复共轭运算；
[0023]时域振动信号的
CWT
结果如下，由小波尺度图清晰地表示出时间
、
频率
、
小波幅值之间的关系；
[0024][0025]为在时域和频域均获得良好的分辨率，采用
cmor3
‑3小波作为母小波，对分段后的数量为
N/m
组所述原始振动信号进行分解，提取对应的小波尺度图；其中3‑3表示
f
b
‑
f
c
，
f
b
是带宽参数，
f
c
是小波中心频率；
[0026][0027]进一步的，所述步骤
S2
中，基于注意力机制的改进的深度残差网络结构具体为：
[0028]首先搭建尺寸为7×
7、
通道数为
64、
步长为2的卷积层
conv1
，并使用批量归一化算法和
Relu
激活函数进行处理，然后搭建尺寸为3×3，步长为2的
maxpool1
最大池化层，接下来是三组
BasicBlock
结构，即
conv2_x
卷积层
、conv3_x
卷积层
、conv4_x
卷积层，每组都由2个...

【技术保护点】

【技术特征摘要】
1.
一种基于
CWT
与注意力机制的子域适应滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤
S1
：对源轴承和目标轴承的原始振动信号进行采样处理，得到若干信号样本，并采用连续小波时频变换
CWT
将每个信号样本分别转换为三通道的源域小波尺度图与三通道的目标域小波尺度图；步骤
S2
：搭建深度神经网络，深度神经网络包括由基于注意力机制的改进残差网络
、
特征提取器
、
分类器，以及子域适应网络；步骤
S3
：将得到的源域小波尺度图
、
标签以及目标域小波尺度图输入深度神经网络中进行训练，训练的过程逐渐减小源域的分类误差，并且同时缩小源域与目标域数据每个对应子域的距离；步骤
S4
：用训练后的所述改进子域适应残差网络模型进行故障诊断
。2.
根据权利要求1所述的一种基于
CWT
与注意力机制的滚动轴承故障诊断方法，其特征在于，所述步骤
S1
对源轴承和目标轴承的原始振动信号进行采样处理，得到若干信号样本，并采用连续小波时频变换
CWT
将每个信号样本转换为三通道小波尺度图，具体包括以下步骤：步骤
S1.1
：为将长度为
N
的原始振动信号按照每
m
个数据点为一组进行分段；步骤
S1.2
：采用
cmor3
‑3小波作为母小波，对分段后的数量为
N/m
组所述原始振动信号进行分解，提取对应的小波尺度图
。3.
根据权利要求2所述的一种基于
CWT
与注意力机制的滚动轴承故障诊断方法，其特征在于，所述连续小波时频变换
CWT
的步骤如下：
CWT
通过对小波母函数不断的进行缩放和平移变换实现了动态分辨率，母小波表示为：为实现对母小波进行变换，引入参数
τ
控制
ψ
(t)
在时间轴上不断平移，
τ
表示时间或空间位置，引入参数
s
控制
ψ
(t)
进行缩放，
s
表示小波尺度的频率特征，变换公式如下：基于上述过程，时域振动信号的
CWT
由以下积分给出：其中母小波函数表示复共轭运算；时域振动信号的
CWT
结果如下，由小波尺度图清晰地表示出时间
、
频率
、
小波幅值之间的关系；为在时域和频域均获得良好的分辨率，采用
cmor3
‑3小波作为母小波，对分段后的数量
为
N/m
组所述原始振动信号进行分解，提取对应的小波尺度图；其中3‑3表示
f
b
‑
f
c
，
f
b
是带宽参数，
f
c
是小波中心频率；
4.
根据权利要求3所述的一种基于
CWT
与注意力机制的滚动轴承故障诊断方法，其特征在于，所述步骤
S2
中，基于注意力机制的改进的深度残差网络结构具体为：首先搭建尺寸为7×
7、
通道数为
64、
步长为2的卷积层
conv1
，并使用批量归一化算法和
Relu
激活函数进行处理，然后搭建尺寸为3×3，步长为2的
maxpool1
最大池化层，接下来是三组
BasicBlock
结构，即
conv2_...

【专利技术属性】
技术研发人员：罗志勇，钱昊，梁钰艳，董鑫，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：