健康管理系统传感器优化配置的自注意力重要性排序方法技术方案

公开了一种健康管理系统传感器优化配置的自注意力重要性排序方法，方法包括：使用多个传感器采集电机及其传动系统的传感器信号，根据传感器信号构造输入样本，并对输入样本进行标准化预处理；构建基于深度自注意力网络对传感器节点关系进行建模，进而提取多路信号的深层特征；通过网络训练优化对电机故障进行分类，度量单个传感器对网络的贡献，进而对传感器的重要性进行评估得到评估结果；根据所述评估结果对多个传感器进行优化配置。估结果对多个传感器进行优化配置。估结果对多个传感器进行优化配置。

【技术实现步骤摘要】
健康管理系统传感器优化配置的自注意力重要性排序方法


[0001]本专利技术涉及电机及其传动系统故障监测领域，具体涉及一种健康管理系统传感器优化配置的自注意力重要性排序方法。

技术介绍

[0002]近年来，预测与健康管理系统(Prognostic and Health Management，PHM)被广泛应用于机械装备的维护中。PHM技术的关键是利用各种先进的传感器采集机械装备不同位置的信号，并应用信号处理技术对采集的多路传感器信号进行处理，进而对设备的运行状态进行监测，最终实现设备的健康管理和维护决策。在这其中，传感器的布置优化在PHM技术中扮演着重要角色，决定了后续任务如故障诊断、寿命预测的效果。并且对于大型高端装备，传感器安装的位置经常会受到限制，不合理的传感器布置会增加经济成本，甚至对控制系统产生影响。因此，传感器的安装必须经过精心布置。以往的传感器布置优化方法主要有猴群算法、有效独立法和模态置信度准则法，这些方法严重依赖于专家知识，应用十分有限，优化效果需要进一步的提高。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供了健康管理系统传感器优化配置的自注意力重要性排序方法。从电机及其传动系统采集的多路传感器信号输入到模型中进行电机故障诊断，使用自注意力机制对传感器之间的关系进行建模，度量单个传感器在网络中的贡献，进而评估传感器的重要性，实现传感器的配置优化。该方法通过深度网络对传感器重要性进行评估，可以减少对专家知识的依赖。
[0004]针对上述目的，本专利技术提出了以下技术路线：一种健康管理系统传感器优化配置的自注意力重要性排序方法步骤如下：
[0005]步骤1，使用多个传感器采集电机及其传动系统的传感器信号；
[0006]步骤2，根据传感器信号构造输入样本，并对输入样本进行标准化预处理；
[0007]步骤3，构建基于深度自注意力网络对传感器节点关系进行建模，进而提取多个传感器信号的深层特征；
[0008]步骤4，通过网络训练优化对电机故障进行分类，度量单个传感器对网络的贡献，进而对传感器的重要性进行评估得到评估结果；
[0009]步骤5，根据所述评估结果对多个传感器进行优化配置。
[0010]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤1中，所述传感器信号包括振动信号与电流信号。
[0011]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤1中，所述传感器信号包括电机的电流信号、电机的两路振动信号和传动系统的两路振动信号。
[0012]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤S2
中，将采集的传感器信号构造为多信道输入矩阵X，维度大小为B
×
C
×
L，其中B是每次输入样本的批次大小，C是信号通道数，L为采样长度，对每一个通道计算信号的均值μ和标准差σ进而对测量值进行标准化预处理，同时结合电机故障信息为样本打上标签y，标签选择为0到6，共7种电机状态，对于一个样本进行标准化的公式如下：
[0013][0014]其中，X(c)是第c个通道的信号，X(c)norm为标准化后的信号。
[0015]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤S3中，深度自注意力网络由卷积层、对多个传感器的关系进行建模并提取深层特征的编码层、用于规范网络输出的池化层及构建特征空间与状态空间的映射的全连接层组成，卷积层将每个传感器采集的传感器信号投影成一个m维向量，编码层包括自注意力层和前馈网络层，其中，
[0016]h0＝f(Xn
orm
)
[0017]h
′
l＝LayerNorm(SelfAttention(hl1))+hl1[0018]hl＝LayerNorm(FeedForword(hl))+hl，l＝1，2，
…
，L
[0019]features＝Maxpool(hL)
[0020][0021]其中，h0为卷积层提取的低级特征表示，f(
·
)为一层卷积网络；hl是第l层编码层的输出，其中LayerNorm代表层归一化，残差连接机制被用于编码层抑制网络过拟合，Self
‑
Attention和Feedforward分别代表自注意力层和前馈网络层，Maxpool代表池化层，features是网络提取的深层特征，wL是全连接层的参数，表示网络预测的电机故障类型。
[0022]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤S3中，前馈网络层由两层全连接层组成，自注意力的计算公式如下：
[0023][0024]其中q代表查询矩阵，k代表键矩阵，v代表值矩阵，是尺度因子，是注意力矩阵，维度大小为5
×
5，表征5个传感器之间的关系，其中q，k，v均是由编码层的输入线性投影而来。
[0025]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤S4中，使用反向传播算法对网络参数进行更新优化，输入样本计算注意力矩阵并进行评估得到评估结果。
[0026]所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法中，步骤S5中，通过对比网络训练前后的注意力权重大小的变化，对传感器的布置进行优化。
[0027]与现有技术相比，本专利技术的自注意力机制通过点积运算可以对传感器之间关系建模，即5
×
5的注意力矩阵体现五个传感器之间的相对关系。通过注意力矩阵评估传感器对于网络的贡献，即可以说明哪一路传感器信号对于故障最敏感，进而实现传感器的重要性评估。该方法不依赖专家知识，利用网络评估重要性可以为下游任务提供合理的决策。
附图说明
[0028]图1是本公开一个实施例提供的一种健康管理系统传感器优化配置的自注意力重要性排序方法的流程图；
[0029]图2是本公开一个实施例提供的电机及其传动系统传感器布置的示意图；
[0030]图3是本公开一个实施例提供的深度自注意力模型的示意图；
[0031]图4是本公开一个实施例提供的6个样本的注意力热图。
具体实施方式
[0032]为了更好地说明本申请的技术方案，以下将参照附图1至图4对本专利技术进行更详细的描述。需要强调的是，关于本专利技术实施方式的详细描述并非旨在限制保护要求本专利技术的范围，而是为了能够更加透彻地理解本专利技术，关于本专利技术的研究范围也不应该被这里的阐述所限制。
[0033]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种健康管理系统传感器优化配置的自注意力重要性排序方法，其特征在于，其包括以下步骤：步骤1，使用多个传感器采集电机及其传动系统的传感器信号；步骤2，根据传感器信号构造输入样本，并对输入样本进行标准化预处理；步骤3，构建基于深度自注意力网络对传感器节点关系进行建模，进而提取多个传感器信号的深层特征；步骤4，通过网络训练优化对电机故障进行分类，度量单个传感器对网络的贡献，进而对传感器的重要性进行评估得到评估结果；步骤5，根据所述评估结果对多个传感器进行优化配置。2.根据权利要求1所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法，其特征在于，优选的，步骤1中，所述传感器信号包括振动信号与电流信号。3.根据权利要求1所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法，其特征在于，步骤1中，所述传感器信号包括电机的电流信号、电机的两路振动信号和传动系统的两路振动信号。4.根据权利要求1所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法，其特征在于，步骤S2中，将采集的传感器信号构造为多信道输入矩阵X，维度大小为B
×
C
×
L，其中B是每次输入样本的批次大小，C是信号通道数，L为采样长度，对每一个通道计算信号的均值μ
c
和标准差σ
c
进而对测量值进行标准化预处理，同时结合电机故障信息为样本打上标签y，标签选择为0到6，共7种电机状态，对于一个样本进行标准化的公式如下：其中，X(c)是第c个通道的信号，X(c)
norm
为标准化后的信号。5.根据权利要求4所述的一种健康管理系统传感器优化配置的自注意力重要性排序方法，其特征在于，步骤S3中，深度自注意力网络由卷积层、对多个传感器的关系进行建模并提取深层特征的编码层、用于规范网络输出的池化层及构建特征空间与状态空间的映射的全连接层组成，卷积层将每个传感器采集的传感器信号投影成一个m维向量，编码层包括自注意力层和前...

【专利技术属性】
技术研发人员：严如强，李亚松，孙闯，杨远贵，许洪，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：