【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其涉及一种机械装备的故障诊断方法。
技术介绍
1、随着机械装备和传感器智能化的发展，机械装备运行数据的数据量呈指数倍增长，研究智能故障诊断技术成为机械装备故障诊断的重要任务。人工智能作为智能故障诊断的常用工具，其中包含许多深度学习算法，这些深度学习算法可以有效地提取故障特征，并已经成功地应用于各类机械装备的故障诊断中，与其他传统故障诊断技术相比有更高的准确率。
2、然而，目前的深度学习算法在提取特征过程中，特征之间的关系信息难以获取，导致故障诊断结果准确性不高。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种机械装备的故障诊断方法。本专利技术的技术方案如下：
2、一种机械装备的故障诊断方法，所述机械装备的故障诊断方法通过预先训练得到的机械装备的故障诊断模型实现，所述机械装备的故障诊断模型包括依次连接的第一卷积模块、双分支流形残差网络、第二卷积模块、通道注意力模块和自注意力输出胶囊网络，所述机械装备的故障诊断方法包括：
3、s1，获取机械装备的原始振动信号；
4、s2，通过第一卷积模块进行宽核卷积操作从原始动信号中提取全局低级特征，通过第一卷积模块进行窄核卷积操作从原始动信号中提取局部低级特征后，将全局低级特征和局部低级特征分别输入双分支流形残差网络的两个分支中；
5、s3，双分支流形残差网络的一个分支对全局低级特征分别进行连续宽核卷积和空间全局信息描述，分别得到抽象全局特征和流形描述的全
6、s4，通过第二卷积模块扩充低级融合特征的通道，并通过通道注意力模块对扩充通道后的低级融合特征进行具有注意力的权重分配，得到权重分配后的低级融合特征；
7、s5，将权重分配后的低级融合特征输入自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果。
8、可选地，所述s2中的宽核卷积操作和窄核卷积操作均表示为如下公式（1）：
9、（1）；
10、公式（1）中，表示第 l+1层第 m个神经元，σ表示激活函数，表示第 l层第 m个神经元的第 n个卷积核， z表示卷积核的数量，表示第 l层第 m个神经元，表示第 l层第 m个神经元的偏移项。
11、可选地，所述s3在对全局低级特征进行连续宽核卷积时，在每层宽核卷积后设置批量归一化操作。
12、可选地，所述s3在对局部低级特征进行连续窄核卷积时，在每层窄核卷积之后设置平均池化层进行平均池化操作。
13、可选地，所述s3在对全局低级特征进行空间全局信息描述时，使用isomap模块实现，isomap模块进行空间全局信息描述的方法表示为如下公式（2）：
14、（2）；
15、公式（2）中，dijkstra(·)表示 dijkstra算法，g表示无向近邻图；无向近邻图的数学表达式为公式（3）：
16、（3）；
17、公式（3）中，k-nn(·)表示 k近邻算法，de表示任意两数据点间的欧式距离。
18、可选地，所述s3在对局部低级特征进行空间局部信息描述时，使用lle模块实现，lle模块进行空间局部信息描述的方法表示为如下公式（4）：
19、（4）；
20、公式（4）中， i 表示单位矩阵， w 表示重构权重矩阵，重构权值矩阵由公式（5）中的目标函数迭代所得；
21、（5）；
22、公式（5）中，xp和xq分别表示输入样本 p和 q，wpq表示重构权重矩阵 w中输入样本 p和 q形成的第 p行第 q列的元素。
23、可选地，所述s5在将权重分配后的低级融合特征输入预先训练好的自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果时，包括：
24、s51，通过自注意力输出胶囊网络中的卷积模块对权重分配后的低级融合特征进行进一步特征提取，得到细化特征；
25、s52，将细化特征重构成主胶囊层特征；
26、s53，通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征，将数字胶囊层特征作为高级特征；
27、s54，计算数字胶囊层特征中向量的模，根据计算结果确定机械装备的故障诊断结果。
28、可选地，所述s53在通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征时，通过如下公式（7）至公式（9）实现：
29、（7）；
30、（8）；
31、（9）；
32、公式（7）至公式（9）中，cj、uj和sj分别表示查询、键和值，softmax(·)表示权重分配函数，表示缩放因子，表示预测向量uj的维数，squash(·)表示激活函数，output表示数字胶囊层特征。
33、可选地，在训练所述机械装备的故障诊断模型时，确定损失函数为全局-局部分布差异损失函数，所述全局-局部分布差异损失函数的表达式为公式（10）：
34、（10）；
35、公式（10）中，α、β和γ分别表示lcross、lg和ll的正则参数，正则参数的范围是(0，1)且α+β+γ=1；
36、（11）；
37、公式（11）中，ns和 c 分别表示训练机械装备的故障诊断模型使用的源域的样本个数和分类数，和分别表示源域第 e个分类中第 f 个样本的真实标签和预测标签；
38、（12）；
39、（13）；
40、公式（12）和公式（13）中，nt表示训练机械装备的故障诊断模型所使用的目标域的样本个数，ф(·)表示高本文档来自技高网...
【技术保护点】
1.一种机械装备的故障诊断方法，其特征在于，所述机械装备的故障诊断方法通过预先训练得到的机械装备的故障诊断模型实现，所述机械装备的故障诊断模型包括依次连接的第一卷积模块、双分支流形残差网络、第二卷积模块、通道注意力模块和自注意力输出胶囊网络，所述机械装备的故障诊断方法包括：
2.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S2中的宽核卷积操作和窄核卷积操作均表示为如下公式（1）：
3.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S3在对全局低级特征进行连续宽核卷积时，在每层宽核卷积后设置批量归一化操作。
4.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S3在对局部低级特征进行连续窄核卷积时，在每层窄核卷积之后设置平均池化层进行平均池化操作。
5.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S3在对全局低级特征进行空间全局信息描述时，使用Isomap模块实现，Isomap模块进行空间全局信息描述的方法表示为如下公式（2）：
6.根据权利要求1所述的机械装备的故
7.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S5在将权重分配后的低级融合特征输入预先训练好的自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果时，包括：
8.根据权利要求7所述的机械装备的故障诊断方法，其特征在于，所述S53在通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征时，通过如下公式（7）至公式（9）实现：
9.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，在训练所述机械装备的故障诊断模型时，确定损失函数为全局-局部分布差异损失函数，所述全局-局部分布差异损失函数的表达式为公式（10）：
...【技术特征摘要】
1.一种机械装备的故障诊断方法，其特征在于，所述机械装备的故障诊断方法通过预先训练得到的机械装备的故障诊断模型实现，所述机械装备的故障诊断模型包括依次连接的第一卷积模块、双分支流形残差网络、第二卷积模块、通道注意力模块和自注意力输出胶囊网络，所述机械装备的故障诊断方法包括：
2.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述s2中的宽核卷积操作和窄核卷积操作均表示为如下公式（1）：
3.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述s3在对全局低级特征进行连续宽核卷积时，在每层宽核卷积后设置批量归一化操作。
4.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述s3在对局部低级特征进行连续窄核卷积时，在每层窄核卷积之后设置平均池化层进行平均池化操作。
5.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述s3在对全局低级特征进行空间全局信息描述时，使用isomap模块实现，is...
【专利技术属性】
技术研发人员：陶磊，姚林虎，刘宇，张翔，张之好，方志文，张嘉鑫，王宏伟，
申请(专利权)人：太原理工大学，
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。