【技术实现步骤摘要】
本专利技术属于旋转机械健康状态监测，具体涉及一种基于注意力机制和域对抗网络的轴承故障诊断方法、系统、电子设备及存储介质。
技术介绍
1、皮带机具有运输距离远、输送能力强的特点，经常被应用于港口码头、矿山等场景。皮带机具有连续、长期带载运转的工作特点，导致其容易发生故障，从而影响正常生产甚至造成经济损伤和人员伤亡。据相关资料显示，皮带机中因旋转部件产生的故障占总故障的50％，托辊是皮带机数量最多且十分重要的旋转部件。因此，对托辊进行健康监测十分必要。由于托辊中最重要的组成部分是滚动轴承，因此，对托辊进行健康监测就是对托辊轴承进行健康监测。
2、传统的智能故障识别技术大多将特征提取算法和分类器结合，利用连续小波变换(cwt)、经验模态分解(emd)、集成经验模态分解(eemd)等信号处理方法得到振动信号特征，然后采用人工神经网络(ann)、支持向量机(svm)等分类器来对其进行识别和分类。这些方法在结构健康监测领域取得了一定的成果，然而上述基于信号处理的故障识别方法十分依赖专家经验。因此，难以充分挖掘信号信息，导致获得的信号特征质量差，对后续的识别造成影响。
3、基于深度学习可以从一系列振动信号数据中学习这些数据的特点，可以避免人为经验的干扰，从而获得良好的效果。但是，这类方法也存在一些局限性，例如使用这类方法的前提是需要充足的已经进行标注的数据进行模型训练，此外还要满足训练和测试的数据同一分布的要求，而在实际的工作场景中，皮带机的运行状况复杂，导致从不同的场景下采集的数据分布不同，从而使得在某一个场景下获得
4、因此，需要开发出一种更有效的变工作场景下托辊轴承健康监测方法，来解决上述难题。
技术实现思路
1、本专利技术的目的在于，提供一种轴承故障诊断方法、系统、电子设备及存储介质，解决皮带机托辊轴承在运行过程中，因不同场景下获得的数据分布不同，导致故障进行分类时效果不佳及提取的振动信号的特征信息不充分而影响识别效果的问题。
2、本专利技术所采用的技术方案如下：
3、一种基于注意力机制和域对抗网络的轴承故障诊断方法，包括以下步骤：
4、获取不同工作场景下轴承各故障类型的振动信号数据，并分别作为源域和目标域数据；
5、构建轴承故障识别模型，该模型包括特征提取模块、分类模块和域对抗网络模块；其中，特征提取模块包括三个添加通道注意力机制的卷积网络，分类模块包括两个全连接层；域对抗网络模块包括两个子对抗网络，每个子对抗网络都包括一个卷积层和两个全连接层；
6、卷积网络计算过程如下：
7、
8、式中，为第n个卷积网络的卷积输出，为第n-1个卷积网络的输出，kn和bn是卷积计算中需要更新的参数，relu为线性整流函数；
9、通过对信号施加通道注意力机制，实现对不同的通道的信号进行自适应加权，其计算过程如下：
10、
11、
12、式中，为经过自适应加权后的输出，表示点积计算，sigmoid表示激活函数，avp()表示平均池化，{w1,n,b1,n}和{w2,n,b2,n}分别为平均池化与分类模块中第一个全连接层以及分类模块中第一个全连接层与第二个全连接层之间的参数；
13、域对抗网络模块中，利用已标记的源域数据和未标记的目标域数据训练轴承故障识别模型，并采用对抗性策略减小源域与目标域之间的差异，同时使用wasserstein距离来衡量这两个域之间的差异程度lws，计算过程如下：
14、
15、
16、式中，d()具有鉴别器的映射功能，f()具有全连接层的映射功能，e()具有特征提取模块的映射功能，λ是惩罚系数，gp代表梯度惩罚项，fc1和fc2分别代表分类模块的第一个全连接层与第二个全连接层，s的取值为1和2，nsou和ntar为源域和目标域的数据数量，xsou和xtar为源域和目标域数据；
17、利用训练好的轴承故障识别模型进行轴承故障诊断。
18、进一步的，自适应加权后还进行池化处理：
19、
20、式中，h为池化层的宽度，j为池化的起始位置，为池化处理后的输出，表示第n层的第i个神经元的特征图，max表示取最大值。
21、进一步的，将特征提取模块的输出记作qi，将经过分类模块的全连接层的输出记作θ1，i，则有：
22、
23、式中，h()代表经过分类模块中第一个全连接层的处理过程，θfc1＝(wfc1，bfc1)代表qi和分类模块第一个全连接层之间的参数；
24、softmax回归通过计算每个类别的概率值来预先判断数据的类别，计算过程如下：
25、
26、式中，p代表预测概率，r代表故障类别，k代表故障类型总数，代表故障分类模块中第一个全连接层和第二个全连接层之间的参数，分类损失为：
27、
28、其中，nsou为源域数据数量。
29、进一步的，采用加速度传感器获取轴承振动信号数据。
30、进一步的，振动信号数据为轴承运转至少两圈的数据。
31、一种基于注意力机制和域对抗网络的轴承故障诊断系统，包括：
32、数据获取模块，用于获取不同工作场景下轴承各故障类型的振动信号数据，并分别作为源域和目标域数据；
33、模型建立模块，用于构建轴承故障识别模型，该模型包括特征提取模块、分类模块和域对抗网络模块；其中，特征提取模块包括三个添加通道注意力机制的卷积网络，分类模块包括两个全连接层；域对抗网络模块包括两个子对抗网络，每个子对抗网络都包括一个卷积层和两个全连接层；
34、卷积网络计算过程如下：
35、
36、式中，为第n个卷积网络的卷积输出，为第n-1个卷积网络的输出，kn和bn是卷积计算中需要更新的参数，relu为线性整流函数；
37、通过对信号施加通道注意力机制，实现对不同的通道的信号进行自适应加权，其计算过程如下：
38、
39、
40、式中，为经过自适应加权后的输出，表示点积计算，sigmoid表示激活函数，avp()表示平均池化，{w1,n,b1,n}和{w2,n,b2,n}分别为平均池化与分类模块中第一个全连接层以及分类模块中第一个全连接层与第二个全连接层之间的参数；
41、域对抗网络模块中，利用已标记的源域数据和未标记的目标域数据训练轴承故障识别模型，并采用对抗性策略减小源域与目标域之间的差异，同时使用wasserstein距离来衡量这两个域之间的差异程度lws，计算过程如下：
42、
43、
44、式中，d()具有鉴别器的映射功能，f()具有全连接层的映射功能，e()具有特征提取模块的映射功能，λ是惩罚系数，gp代表梯度惩罚项，fc1和fc2分别代表分类模本文档来自技高网...
【技术保护点】
1.一种基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，自适应加权后还进行池化处理：
3.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，将特征提取模块的输出记作Qi，将经过分类模块的全连接层的输出记作θ1，i，则有：
4.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，采用加速度传感器获取轴承振动信号数据。
5.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，振动信号数据为轴承运转至少两圈的数据。
6.一种基于注意力机制和域对抗网络的轴承故障诊断系统，其特征在于，包括：
7.根据权利要求6所述的基于注意力机制和域对抗网络的轴承故障诊断系统，其特征在于，自适应加权后还进行了池化处理：
8.根据权利要求6所述的基于注意力机制和域对抗网络的轴承故障诊断系统，其特征在于，振动信号数据为轴承运转至少两圈的数据。
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，用于被处理器执行时，实现权利要求1至5中任意一项所述的基于注意力机制和域对抗网络的轴承故障诊断方法。
...【技术特征摘要】
1.一种基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，自适应加权后还进行池化处理：
3.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，将特征提取模块的输出记作qi，将经过分类模块的全连接层的输出记作θ1，i，则有：
4.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，采用加速度传感器获取轴承振动信号数据。
5.根据权利要求1所述的基于注意力机制和域对抗网络的轴承故障诊断方法，其特征在于，...
【专利技术属性】
技术研发人员：刘志平，张鹏，刘慧，左天一，蔡镐，于燕南，
申请(专利权)人：武汉理工大学，
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。