【技术实现步骤摘要】
本专利技术涉及复杂工况下的机械设备故障诊断，具体涉及一种基于改进深度残差收缩网络在高噪声背景下提高降噪能力，以及故障诊断精度的方法。
技术介绍
1、随着工业社会的高速发展，各种机器趋向于智能化和复杂化，所以故障诊断的传统方法中基于模型的诊断方法逐渐被证明是不可行的。由于工业生产、航空航天、高速列车等行业中的机械设备的运行环境复杂多变，故障早期的信号分量微弱，容易被噪声淹没等原因，所以单纯的基于信号处理的方法诊断精度较低，且严重依赖于专家经验。
2、随着计算机性能的大幅度提高和大数据的发展，深度学习方法已成为机械设备故障诊断的主流方法，深度学习方法能够从原始振动信号中自动提取有用信息，并能识别故障早期的微弱有效信号。众多实验结果表明，利用残差网络结合注意力的思想将传统信号处理中的软阈值插入深层体系结构中，开发出的一种能够对振动信号进行自适应降噪的深度残差收缩网络(drsn)优于堆叠自编码器，卷积神经网络和残差网络。目前，深度残差收缩网络已经被越来越多的人关注和研究。
技术实现思路
1、本专利技术的目的在于，提出一种基于改进深度残差收缩网络的机械设备故障诊断方法，使其能从通道和空间两个方向注意到时频图中有用的信息，从而提高故障诊断精度。
2、为实现上述目的，本申请提出的一种基于改进深度残差收缩网络的机械设备故障诊断方法，包括：
3、将一维时间序列机械设备故障振动信号利用连续小波变换得到二维时频图；
4、搭建深度残差收缩网络，该网络核心模块
5、对所述软阈值函数进行改进；
6、将深度残差收缩模块中的普通卷积替换为深度可分离卷积，然后将所有参数输入调整为二维结构以适应时频图；
7、由于本专利技术预先对振动信号做了预处理，即将振动信号利用连续小波变换转换为时频图，普通激活函数适合处理一维时序振动信号，对于时频图的处理显然不够，针对信号转换这一特点借助卷积模块的注意力机制开发出一种新的激活函数，将一种新的激活函数插入深度残差收缩模块中，能够提高整个模块对特征图的有效信息提取。
8、将软阈值化后的特征图与输入的时频图相加，得到输出特征图；
9、输出故障分类结果。
10、进一步地，改进后的软阈值函数为：
11、
12、其中x代表二维时频图，y代表输出特征，τ为阈值；α是软阈值函数的斜率。该斜率通过注意力机制具有自适应性。将阈值更改为τ2，防止软阈值函数过度收缩导致注意不到其他有效信息。
13、进一步地，所述深度可分离卷积分为两步，第一步是逐通道卷积，第二步是逐点卷积。
14、进一步地，所述逐通道卷积对输入时频图的每一个通道分别使用一个卷积核处理，然后将所有卷积核的输出再进行拼接得到最终的输出；逐点卷积是1×1卷积，能够自由改变深度可分离卷积中输出通道的数量，还能对输出的特征图进行通道融合。
15、进一步地，新的激活函数包括cbam_block模块，其结合了空间注意力和通道注意力，给定一个中间特征图，cbam_block模块从两个独立的维度依次推断注意力图，然后将注意力图与中间特征图相乘以进行自适应特征优化。
16、进一步地，新的激活函数插入至深度残差收缩模块中第一个bn(batchnormalization，bn)操作之后。
17、本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：本方法采用连续小波变换对原始一维时序信号进行处理，提取出信号中的时域信息，从而提高信号的特征提取能力。当堆叠多个残差收缩模块时，drsn的计算效率会下降，故采用深度可分离卷积替换残差收缩模块中的普通卷积，以减少计算参数，降低模型的时间复杂度。普通激活函数只能对信号做固定的非线性变换，由于输入残差收缩网络的数据为特征时频图像，且不能够进行自适应的非线性变换，故开发出一种新的激活函数，并将其插入深度残差收缩模块中，使其在空间和通道两个方向实现全区域的非线性变换，采用改进后的软阈值函数，避免了阈值过度收缩导致的有效信息提取不足，具有更强的过滤噪声能力，以及更好的故障特征分类能力。各种实验结果表明，在相同数据集下平均分类准确率更高、随着训练次数的增加，模型的损失也越来越低。
本文档来自技高网...【技术保护点】
1.一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，改进后的软阈值函数为：
3.根据权利要求1所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，所述深度可分离卷积分为两步，第一步是逐通道卷积，第二步是逐点卷积。
4.根据权利要求3所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，所述逐通道卷积对输入时频图的每一个通道分别使用一个卷积核处理，然后将所有卷积核的输出再进行拼接得到最终的输出；逐点卷积是1×1卷积。
5.根据权利要求1所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，新的激活函数包括CBAM_Block模块，其结合了空间注意力和通道注意力，给定一个中间特征图，CBAM_Block模块从两个独立的维度依次推断注意力图，然后将注意力图与中间特征图相乘以进行自适应特征优化。
6.根据权利要求1或5所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特
...【技术特征摘要】
1.一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，改进后的软阈值函数为：
3.根据权利要求1所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，所述深度可分离卷积分为两步，第一步是逐通道卷积，第二步是逐点卷积。
4.根据权利要求3所述一种基于改进深度残差收缩网络的机械设备故障诊断方法，其特征在于，所述逐通道卷积对输入时频图的每一个通道分别使用一个卷积核处理，然后将...
【专利技术属性】
技术研发人员：邱少明，刘良玉，王岩，黄昕晨，俄必聪，叶景丰，
申请(专利权)人：大连大学，
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。