一种融合深度卷积和自注意力网络的故障自适应诊断方法技术

本发明专利技术公开了一种融合深度卷积和自注意力网络的故障自适应诊断方法，涉及故障诊断领域，首先利用小波包变换构建了振动信号的多尺度时频特征图和全局统计特征矩阵；然后设计了一个结合残差网络

【技术实现步骤摘要】
一种融合深度卷积和自注意力网络的故障自适应诊断方法


[0001]本专利技术涉及故障诊断领域，尤其涉及一种融合深度卷积和自注意力网络的故障自适应诊断方法
。

技术介绍

[0002]旋转机械在各个行业都有重要作用，如工业制造
、
航空航天和运输等领域
。
滚动轴承同时是旋转机械的关键部件，长期在复杂的工作环境中高速运转，不可避免地发生损坏故障，导致事故和效率降低
。
因此，针对滚动轴承的故障诊断对于确保旋转机械的安全运行具有重要意义
。
传统的轴承故障诊断方法主要是基于振动信号的时频分析和机器学习
。
然而，传统的机器学习方法往往需要根据专家的经验知识来选择合适的特征，而特征的选择直接影响了轴承故障诊断的准确性
。
此外，上述方法的结构较轻，难以在复杂系统中学习有效的特征表示和非线性映射关系
。
[0003]与传统的机器学习相比，深度学习因其强大的自动深度特征提取能力，和与分类器集成的端到端训练模式，近年来在故障诊断领域获得了极大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种融合深度卷积和自注意力网络的故障自适应诊断方法，其特征在于：具体包含如下步骤；步骤1，利用小波包变换
WPT
对滚动轴承振动信号进行时频分析处理，建立基于
WPT
的多尺度时频特征图
MTFFM
和全局统计特征矩阵
GSFM
；步骤2，通过融合轻量级网络
LRN
和自注意
SAM
的深度特征提取网络
LRSAN
，用于实现局部和全局时频特征的融合提取；步骤3，通过多核最大平均差异
MK
‑
MMD
和域对抗神经网络
DANN
构建了一个联合损失函数来优化深度特征提取网络，用于减少不同工作条件下深度特征域分布的差异，提高深度迁移学习模型
LRSADTLM
跨域诊断能力
。2.
根据权利要求1所述的一种融合深度卷积和自注意力网络的故障自适应诊断方法，其特征在于：在步骤1中，振动信号时频分析与处理具体如下：采用
WPT
对振动信号进行时频分析处理，构建多尺度时频特征图
MTFFM
，提高
LRN
的局部故障特征提取能力；采用振动信号的时频统计特征来构造特征矩阵
GSFM
，用于提取振动信号的全局时频特征；多尺度时频特征图
MTFFM
；通过四层
WPT
对振动信号样本进行分解，得到
16
个小波包的小叶节点；每个小波包节点有
256
个小波包系数；将每个小叶节点的小波包系数构建为
16
×
16
的系数矩阵；通过
Z
字型缝合对
16
个系数矩阵进行重新排序，得到
64
×
64
的多尺度时频特征图
MTFFM
；全局统计特征矩阵
GSFM
：对
16
个小波包叶节点进行
WPT
重建，得到
16
个重建的分支信号；同时计算
16
个分支信号的包络谱；计算出每个分支信号的七个统计特征及其包络谱，将其设定为振动信号的全局统计特征；具体来说，
16
个分支信号的某个特征如振幅被打包成一个
16
维向量，并得到统计特征矩阵
A∈R
7*16
；得到
16
个包络谱的统计特征矩阵
B∈R
7*16
；将矩阵
A
和
B
串联起来，得到
GSFM∈R
14*16
，作为
SAM
网络的输入
。3.
根据权利要求1所述的一种融合深度卷积和自注意力网络的故障自适应诊断方法，其特征在于：在步骤2中，深度融合特征提取网络
LRSAN
，具体如下：
CNN
的局部特征提取能力使其难以把握振动信号的多尺度时频信号的整体趋势和局部表示之间的内在关系；特征提取网络由
LRN
和
SAM
两个模块组成，分别融合了基于
LRN
的局部时频特征和基于
SAM
的全局统计特征；
1)
轻量级
ResNet LRN
旋转机械的缺陷的激励响应往往在振动信号中以不同的时间频率段来表达；滚动轴承的状态特征也会分散在
MTFFM
中，
MTFFM
的图像尺寸很小；在
LRN
网络中，使用大小为3×3的卷积核，卷积步长设置为1，填充值设置为1或0，只使用三个残差结构，取消中间层的池化操作；
2)
自注意机制
SAM
网络：设定
SAM
网络的输入序列
X
a
＝
[x1,x2,...,x
N
]∈R
L*di
，其中
L
是序列的长度，
di
是序列中元素的尺寸；
输入序列
X
a
通过一个可训练的线性投影
W
P
∈R
di*dm
被嵌入为序列然后在序列
X
p
的头部添加一个随机初始化的
x0，也包括在位置编码
E
pos
∈R
(L+1)*dm
中，；得到的输入嵌入序列
SAM
网络有四层，每层由一个多头自我注意
MSA
模块
、
一个前馈层和一个残差归一化层组成；给定输入嵌入
X∈R
(L+1)*dm
，
MSA
层的输出序列
O∈R
(L+1)*dm
代表由注意力矩阵加权的特征序列；自注意机制的计算公式如下：
O
＝
MSA(X)
＝
Concat(head1,...,head
h
)W
O
Q
i
＝
X
·
W
iQ
,K
i
＝
X
·
W
iK
,V
i
＝
X
·
W
iV
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，...

【专利技术属性】
技术研发人员：孙磊，王有杰，梁中婷，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：