【技术实现步骤摘要】
本专利技术属于测试，尤其涉及一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法及系统。
技术介绍
1、随着工业设备的高速运转和复杂化，设备的可靠性和安全性成为了重要的关注点，而滚动轴承作为旋转机械的关键部件之一，其变工况小样本下的故障诊断对于保证设备的正常运行和及时维护具有重要意义。
2、滚动轴承故障诊断的主要任务是根据轴承的振动信号或声音信号，分析判断轴承是否存在故障。滚动轴承在工作过程中，由于装配不良、润滑不足、过载、异物侵入等原因，可能会导致内圈、外圈、滚动体或保持架等部件出现损伤。这些损伤会使轴承产生周期性或随机性的冲击振动，从而引起振动信号或声音信号中出现特征频率或谐波。利用这些特征信息，可以对轴承进行有效的故障诊断。
3、滚动轴承故障诊断的方法主要有时域分析法、频域分析法、时频分析法、小波分析法、深度学习法等。时域分析法是利用振动信号或声音信号在时域上的统计特征参数，如均值、方差、峰值、峭度等，来判断轴承是否存在故障以及故障的严重程度。频域分析法是利用傅里叶变换等方法将振动信号或声音信号转换到频域上，分析其幅值或功率谱中是否出现特征频率或谐波，从而确定轴承的故障类型和位置。时频分析法是利用短时傅里叶变换、wigner-ville分布等方法将振动信号或声音信号转换到时频域上，分析其在不同时间段内的频率成分变化，从而反映轴承的故障演化过程。小波分析法是利用小波变换等方法将振动信号或声音信号分解为不同尺度和频率的子信号，分析其在不同尺度上的能量分布和奇异点检测，从而提取轴承的故障特征信息。深度学
技术实现思路
1、鉴于此，本专利技术公开提供了一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法及系统，以实现变工况小样本下的滚动轴承故障诊断。
2、本专利技术的技术方案：一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，包括：
3、步骤1：获取轴承的振动信号，所述振动信号包括有标注的源域数据和无标注的目标域数据；
4、步骤2：将所述振动信号输入神经网络进行特征提取：采用卷积神经网络与自注意力机制提取源域和目标域的一维数据的特征，源域和目标域的一维数据同时输入到卷积神经网络中，共享同样的参数；
5、步骤3：计算源域和目标域之间的局部最大均值差异lmmd，利用局部最大均值差异lmmd计算源域和目标域的可迁移特征相关子域的分布差异，并将其作为目标函数的一部分；目标函数还包括源域的分类损失函数；
6、步骤4：训练深度子域卷积神经网络，根据目标函数通过反向传播更新特征提取的参数，得到一个能够对目标域的滚动轴承故障进行分类预测的模型；
7、步骤5：将需要诊断的目标轴承数据输入所述模型，得到分类结果。
8、具体地，步骤2中，卷积神经网络的每个卷积层后面加入批量标准化bn和池化层，在全连接层后面加入dropout，设置丢弃率为0.5；
9、批量标准化bn后面加入relu激活函数，cnn网络的输出作为下一个阶段的输入，在最后一层卷积层之后加入自注意力机制。
10、具体地，步骤2中，所述自注意力机制具体为：对经过卷积层特征提取的特征向量e进行不同的线性变化，具体公式(1)如下：
11、q＝ewq k＝ewk v＝ewv (1)
12、q、k、v分别代表查询、关键词、值的特征向量矩阵，q、k、v是通过对输入矩阵e进行不同的线性变化得到的；线性变化矩阵w是对输入矩阵e的线性变换，wq、wk、wv分别是生成q、k、v的线性变换矩阵；
13、得到矩阵q,k,v后计算自注意力的公式(2)如下：
14、
15、q、k、v是查询、关键词、值的特征向量矩阵，dk代表查询向量、关键词向量和值向量的维度的大小；softmax是一种归一化函数，用于计算注意力权重。
16、具体地，步骤3中所述局部最大均值差异由公式(3)定义：
17、
18、和分别是源域和目标域的样本，c是样本的类别数，和分别是样本属于类别c的权重，φ()表示将原始特征空间映射到高维hilbert空间h的非线性映射，样本xi类别c的权重可由下式(4)计算：
19、
20、yic是标签向量yi的第c个元素，是所有样本中属于第c类的所有元素，对于源域样本，采用标签的one-hot向量来计算对于目标域样本，采用深度神经网络预测的输出来计算
21、给定源域d(s)和目标域d(t)，深度神经网络全连接层l的输出分别是和将式(3)改写成(5)：
22、
23、具体地，步骤4中训练过程：损失函数分成两部分，分别是源域数据的分类损失lc和源域训练集与目标域训练集之间的lmmd距离llmmd，lc将会采用交叉熵形式，如下公式(6)所示：
24、
25、其中c为整个分类过程中的样本类别数，n为样本数，zs为全连接层的输出，f(zs)＝softmax(zs)；将lc与llmmd两个损失函数相结合，就得到了最终的损失函数，如下式(7)所示：
26、l＝lc+λllmmd (7)
27、其中λ为超参数，设置为0.3。
28、本专利技术还提供了一种基于自注意力机制的变工况小样本滚动轴承故障诊断系统，包括：特征提取模块、子域自适应模块及训练模块；
29、所述特征提取模块采用卷积神经网络与自注意力机制提取特征；
30、所述子域自适应模块利用局部最大均值差异(lmmd)计算源域和目标域的可迁移特征相关子域的分布差异。
31、本专利技术提出了一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法及系统，该方法改进了传统深度学习方法的稳定性及鲁棒性，提出了基于自注意力机制和局部均值最大差异的子领域自适应滚动轴承故障诊断方法，该方法能够直接从原始振动信号中提取特征，无需人工转换数据格式，也能够诊断目标域中没有标记的轴承故障，改进了原有的领域自适应方法，加入了自注意力机制；卷积过程中使用大卷积核，提高了目标域中的诊断精度。尤其是在目标域中标记数据不足的情况下，本专利技术为滚动轴承故障诊断提供了一种更有效的工具。
32、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术的公开。
本文档来自技高网...【技术保护点】
1.一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，
3.根据权利要求1所述的一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，
4.根据权利要求1所述的一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，
5.根据权利要求1所述的一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，
6.一种基于自注意力机制的变工况小样本滚动轴承故障诊断系统，其特征在于，包括：特征提取模块、子域自适应模块及训练模块；
【技术特征摘要】
1.一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，
3.根据权利要求1所述的一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法，其特征在于，
4.根据权利要...
【专利技术属性】
技术研发人员：王琳霖，张印文，薛文科，王传云，高骞，梁文婕，
申请(专利权)人：沈阳航空航天大学，
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。