【技术实现步骤摘要】
本专利技术属于机械，更进一步涉及机械设备故障诊断中的一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法。本专利技术可用于实时对轴承、齿轮、转子等旋转机械的故障进行诊断。
技术介绍
1、随着科学技术的发展，机械设备工作强度不断增大、自动化程度不断变高，机械设备更加复杂的同时各部分的关联更加密切，微小的故障就会引发连锁反应，导致整个机械设备遭受灾难性的毁坏。因此，实时、准确、迅速地对轴承、齿轮、转子等的旋转机械进行故障诊断能够有效的防止事故的发生，故障诊断技术日益发挥重要作用，它使得机械设备更加可靠。传统的故障诊断方法需要先对采集到的信号进行特征提取，再通过模式识别的方法进行分类诊断，这不仅需要专业的先验知识和人工设计的特征提取算子，并且诊断结果的有效性在很大程度上取决于提取特征的质量、耗时耗力，应用门槛较高，一种模型只能针对某一种特定类型的故障，适用范围比较低。
2、随着深度学习和卷积神经网络的发展，其采用多隐藏层以逐层学习的方式从数据中自动的提取特征，并由于其深层架构可以通过多级的抽象提取更为丰富的语义特征，这为基于神...
【技术保护点】
1.一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，利用数据重采样方法构建故障诊断数据集，构建由通道注意力模块和空间注意力模块串联组成的注意力引导模型，构建由通道特征选择模块和位置特征选择模块组成的层次化特征选择模型；该诊断方法的步骤包括如下：
2.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤1中所述的工况包括正常情况、内圈故障、外圈故障以及滚动体故障，其中，内圈故障、外圈故障和滚动体故障各取三组深度测量加速度，共九种故障类型。
3.根据权利要求1所述的基于注意力引导和层次化特...
【技术特征摘要】
1.一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，利用数据重采样方法构建故障诊断数据集，构建由通道注意力模块和空间注意力模块串联组成的注意力引导模型，构建由通道特征选择模块和位置特征选择模块组成的层次化特征选择模型；该诊断方法的步骤包括如下：
2.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤1中所述的工况包括正常情况、内圈故障、外圈故障以及滚动体故障，其中，内圈故障、外圈故障和滚动体故障各取三组深度测量加速度，共九种故障类型。
3.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤1中所述的数据重采样方法是指，将样本集中的每条样本，从开始位置每隔150个样本点依次向后采样，每次采样连续的2048点并连续向后重复10次。
4.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤2中所述通道注意力模块的结构依次串联为：输入层，第1平均池化层，第1卷积层，第1激活层，第2卷积层，第2最大池化层，第3卷积层，第3激活层，第4卷积层，第4激活层；将输入层的输入通道设置为256，将第1至第4卷积层的卷积核大小均设置为1*1*256，步长均设置为1，卷积核的数量均设置为256，第1至第3激活层均采样线性整流函数relu，第4激活层使用sigmoid函数。
5.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤2中所述空间注意力模块的结构依次串联为：输入层，...
【专利技术属性】
技术研发人员：马悦，彭同庆，冯志玺，胡浩，杨淑媛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。