System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种旋转机械故障诊断,特别是关于一种基于联合注意力多尺度卷积神经网络的旋转机械变工况故障诊断方法、系统、介质及计算设备。
技术介绍
1、旋转机械是一种应用广泛的机械设备,在风力发电、交通等领域扮演者重要的角色。然而其通常运行在由变负载导致的变工况状态,需要充分考虑负载变化引起的变噪声、变转速等因素,对不同故障、不同部件故障特征表征形式带来的不确定性,以及故障振动信号的多尺度复杂性,给旋转机械的故障诊断带来了困难。
技术实现思路
1、针对上述问题,本专利技术的目的是提供一种旋转机械变工况故障诊断方法、系统、介质及计算设备,其能够有效在变转速、变噪声的运行环境下识别故障特征,并且在不同旋转部件、不同故障形式都有较高诊断准确性,具有较强的泛化能力。同时,也能保证良好的故障诊断及时性。
2、为实现上述目的,本专利技术采取以下技术方案:一种旋转机械变工况故障诊断方法,其包括:将旋转机械变工况下的一维原始振动信号输入基于联合注意力多尺度卷积神经网络的多尺度特征提取层,提取出不同尺度的故障特征;将不同尺度的故障特征输入特征提取层,进行不同形式的特征提取;将不同形式的特征进行拼接后,输入输出层进行故障识别,完成旋转机械变工况故障诊断。
3、进一步,提取出不同尺度的故障特征,包括:
4、将一维原始振动信号分别输入三个不同尺寸的卷积层,卷积核依次减少且通道1的卷积核最大;
5、经三个不同尺寸的卷积层处理后的信号分别输入三个联合注意力模块,以
6、进一步,联合注意力模块由脉冲注意力模块和通道注意力模块串联构成,设定联合注意力机制参数:卷积运算的卷积核大小、步长以及输出的通道数。
7、进一步,进行不同形式的特征提取,包括:
8、特征提取层中的第二通道和第三通道分别具有最大池化层和平均池化层,设定这两个池化层的大小及步长;
9、设定特征提取层的膨胀卷积层参数,以及联合注意力机制参数和dropout的大小,以将不同尺度的故障特征进行不同形式的提取。
10、进一步,将不同形式的特征进行拼接,包括:第一通道、第二通道和第三通道在特征提取层输出的两个维度分别为卷积通道维度和数据长度维度,基于数据长度维度首尾拼接特征提取层中三个通道的输出。
11、进一步,输入输出层进行故障识别,包括:
12、设置全连接层的输入输出的大小以及dropout的大小,并确定非线性激活函数;
13、拼接后的数据通过全局平均池化层和全连接层后,通过softmax进行分类,根据分类结果判断旋转机械是否存在故障以及相应的故障类型。
14、进一步,还包括验证的步骤:采用不同故障程度的滚动轴承数据集和包含单一故障和混合故障的行星齿轮箱数据集对基于联合注意力多尺度卷积神经网络模型进行验证。
15、一种旋转机械变工况故障诊断系统,其包括:第一特征提取模块,将旋转机械变工况下的一维原始振动信号输入基于联合注意力多尺度卷积神经网络的多尺度特征提取层,提取出不同尺度的故障特征;第二特征提取模块,将不同尺度的故障特征输入特征提取层,进行不同形式的特征提取;故障诊断模块,将不同形式的特征进行拼接后,输入输出层进行故障识别,完成旋转机械变工况故障诊断。
16、一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
17、一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
18、本专利技术由于采取以上技术方案,其具有以下优点:
19、1、本专利技术采用的多尺度卷积神经网络使用不同尺度的卷积核对传感器采集的振动信号进行特征提取,能有效应对故障振动信号的多尺度复杂性。
20、2、本专利技术加入联合注意力模块,通过增强同一卷积通道故障敏感信息以及提高不同卷积通道中故障敏感通道的重要性,保证信号在有噪声下故障特征也相对明显。
21、3、本专利技术将卷积层的普通卷积改为膨胀卷积,在相同大小的卷积核中膨胀卷积有更大的感受野,以及使用全局平均池化可以一定程度防止模型发生过拟合。
22、4、本专利技术采用复杂的实验对模型进行验证,使用不同故障程度的滚动轴承和包含单一故障和混合故障的行星齿轮箱数据集;训练模型采用了跨速度领域,能够体现模型未知速度下的诊断能力。
本文档来自技高网...【技术保护点】
1.一种旋转机械变工况故障诊断方法,其特征在于,包括:
2.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,提取出不同尺度的故障特征,包括:
3.如权利要求2所述旋转机械变工况故障诊断方法,其特征在于,联合注意力模块由脉冲注意力模块和通道注意力模块串联构成,设定联合注意力机制参数:卷积运算的卷积核大小、步长以及输出的通道数。
4.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,进行不同形式的特征提取,包括:
5.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,将不同形式的特征进行拼接,包括:第一通道、第二通道和第三通道在特征提取层输出的两个维度分别为卷积通道维度和数据长度维度,基于数据长度维度首尾拼接特征提取层中三个通道的输出。
6.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,输入输出层进行故障识别,包括:
7.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,还包括验证的步骤:采用不同故障程度的滚动轴承数据集和包含单一故障和混合故障的行星齿轮箱数据集对基于联合注意力
8.一种旋转机械变工况故障诊断系统,其特征在于,包括:
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种旋转机械变工况故障诊断方法,其特征在于,包括:
2.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,提取出不同尺度的故障特征,包括:
3.如权利要求2所述旋转机械变工况故障诊断方法,其特征在于,联合注意力模块由脉冲注意力模块和通道注意力模块串联构成,设定联合注意力机制参数:卷积运算的卷积核大小、步长以及输出的通道数。
4.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,进行不同形式的特征提取,包括:
5.如权利要求1所述旋转机械变工况故障诊断方法,其特征在于,将不同形式的特征进行拼接,包括:第一通道、第二通道和第三通道在特征提取层输出的两个维度分别为卷积通道维度和数据长度维度,基于数据长度维度首尾拼接特征提取层中三个通道的输出。
6.如权利要求1所述旋转机械变工况故障诊...
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。