【技术实现步骤摘要】
本专利技术涉及故障诊断领域，尤其涉及一种基于注意力机制与dcgan融合的振动信号分析诊断方法
技术介绍
1、滚动轴承是旋转机械设备的关键零部件，目前对轴承故障诊断的研究主要是基于数据驱动的诊断方法，优质的轴承故障数据是影响故障诊断效果的决定性因素。由于机械设备的健康状态退化往往需要经历漫长的时间周期，故障的产生也存在一定的随机性，导致生产环境下采集到的设备数据以健康数据为主，难以捕捉到有标签的故障数据样本。且机械设备结构趋于复杂化，实际生产中的设备往往不是单结构系统，多种零部件的老化产生的复合故障类型，这对研究轴承故障诊断带来了极高的挑战。
2、健康数据多，故障数据少，故障特征复杂等问题，严重约束了旋转机械设备故障诊断的研究，导致大量优秀的算法难以在实际中得以应用。常见的解决故障样本不平衡问题的方法大致可分为三个方向：(1)基于模型的方法。基于模型的方法需要精确建立相应的旋转机械设备的动力学仿真模型，但模型的参数严重依赖旋转机械设备的材质和结构，不具备通用性。(2)基于特征空间的方法。通过发掘数据集的均值、方差、峰值等特征参数，与故障分类算法相结合，提高小样本故障特征对模型训练的影响权重。但这种方法需要手动计算统计参数，过程耗时费力(3)基于数据的方法。基于数据的样本平衡方法一般通过生成对抗网络(generative adversarial nets,gan)实现，这是一种基于博弈论的深度学习模型，通过生成器和鉴别器的对抗训练，得到能够以假乱真的生成数据。但是gan的网络结构是基于多层感知机，在生成高分辨率图像时会出
3、(1)考虑到dcgan网络的输入为图像数据，而轴承振动信号为一维采样信号，因此需要先借助图像处理方法将原始振动信号映射为二维矩阵图像。但经典的时频转换方法不可逆，得到的特征图无法转换为原始振动信号，不能实现对不平衡数据集的增强处理。另一方面，时频特征变换方法提取的统计特征有限，转换过程会损失部分的故障信息，不能充分发挥深度学习网络自适应特征提取的优点。
4、(2)dcgan网络的模型训练同样依赖于大量的样本数据，数据量过少将导致模型出现过拟合问题，输出的生成样本质量不高。
5、(3)由于机械设备运行环境复杂，采集到的振动信号中包含较强的干扰噪声，这给模型训练带来很大的影响。dcgan网络无法有效区分信号中的有用信息和无用信息，在网络训练过程中也会将噪声作为生成特征的一部分，使生成样本存在大量噪点。
技术实现思路
1、本专利技术所要解决的技术问题是获取指定类别的生成故障样本，对不平衡样本进行扩充，解决因故障样本不平衡引起的故障诊断模型分类器性能下降的问题，本专利技术提出了一种基于注意力机制与dcgan融合的振动信号分析诊断方法，利用生成样本对真实样本进行扩充，可以有效提高样本不平衡情况下的故障分类精度。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、一种基于注意力机制与dcgan融合的振动信号分析诊断方法，具体包含如下步骤；
4、步骤1，振动信号-图像转换：利用滑动窗口信号分割和螺旋矩阵插值构图，对振动信号进行时频转换，实现无损、可逆的信号-图像转换；
5、步骤2，混合注意力模块：通过串联形式组合空间注意力模块sam和通道注意力模型cam，构成混合注意力模块cbam，从通道和空间维度增强数据表现力，给予输入样本中的故障特征信息更高的权重；将前层网络的输入通过残差通道连接到后层网络，将更多的故障信息传递到深层网络；
6、步骤3，改进深度生成对抗网络dcgan模型：通过将深度生成对抗网络dcgan模型和混合注意力模块cbam相结合，提高dcgan的特征提取能力，生成更具细节故障特征的轴承数据，进而指导故障诊断模型训练。
7、作为本专利技术一种基于注意力机制与dcgan融合的振动信号分析诊断方法的进一步优选方案，在步骤1中，振动信号-图像转换，具体如下：
8、步骤1.1，采用滑动窗口对振动信号分割；螺旋矩阵插值构图；数据归一化处理；
9、步骤1.2，滑动窗口信号分割：对于一段长度为m的轴承振动信号，使用宽度为n的滑动窗口对信号对其进行采样，每次采样完成后，窗口向右移动l个步进单位，将截取出来的所有子序列定义为t(n)；为了保证子序列t(n)包含一个完整周期的数据，窗口长度n需满足使所有子序列携带的故障脉冲信号不少于k个的条件；
10、步骤1.3，螺旋矩阵插值构图：
11、假设生成n*n尺寸的图像，首先根据滑动窗口信号分割，截取长度为n*n的子序列，为了保持子序列的连续性，按照顺时针方向将子序列采样点依次螺旋插入矩阵；
12、步骤1.4，数据归一化处理：
13、振动信号实际为采集的加速度数据，数值存在正负之分，而单通道灰度图的像素值范围为[0,255]，将信号幅值映射为像素灰度值，映射公式为：
14、
15、其中，p代表像素值，f代表当前采样点幅值，fmin和fmax代表当前序列幅值的最小值和最大值。
16、作为本专利技术一种基于注意力机制与dcgan融合的振动信号分析诊断方法的进一步优选方案，在步骤2中，混合注意力模块的构建具体如下：
17、混合注意力是指由多种注意力机制组合得到的注意力模型，它由通道注意力模块cam和空间注意力模块sam通过串联形式组合而成；
18、其中，通道注意力模块cam，具体如下：
19、在空间维度上采用最大池化和平均池化对输入特征图进行压缩，生成两种不同空间的通道描述符和这样既降低了网络参数，又能防止网络过拟合；
20、将它们送入由带有一个隐藏层的多层感知机mlp组成的共享网络中，计算出通道注意力图mc，计算过程为：
21、
22、其中，σ(·)代表sigmoid函数，w0和w1为wlp的共享权重，通道注意力图mc就是各通道的价值矩阵，价值越大说明该通道关键信息越多，网络会给予该通道更大的权重，从而达到提高特征表达能力的目的；
23、空间注意力模块sam，用于关注特征向量中关键信息的位置，提高网络中信息的有效性；输入特征沿着通道轴进行最大池化和平均池化操作，将池化后的向量拼接成一个特征描述符，沿通道轴池化可以有效突出信息区域；特征描述符输入到卷积层，计算出空间注意力图，实现对重要和非重要区域进行编码，计算过程为：
24、
25、其中，σ(·)代表sigmoid函数，f7×7(·)代表卷积核大小为7x7的卷积运算。
26、混合注意力模块cbam：
27、混合注意力模块cba本文档来自技高网...
【技术保护点】
1.一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于：具体包含如下步骤；
2.根据权利要求1所述的一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于，在步骤1中，振动信号-图像转换，具体如下：
3.根据权利要求1所述的一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于，在步骤2中，混合注意力模块的构建具体如下：
4.根据权利要求1所述的一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于，在步骤3中，改进的DCGAN网络模型的构建具体如下：
5.根据权利要求4所述的一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于，混合注意力模块嵌入的生成器G的构建具体如下：
6.根据权利要求5所述的一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于，在步骤3中，混合注意力模块嵌入的判别器D的构建具体如下：
7.根据权利要求6所述的一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，其特征在于，生成器G的损失函数
...【技术特征摘要】
1.一种基于注意力机制与dcgan融合的振动信号分析诊断方法，其特征在于：具体包含如下步骤；
2.根据权利要求1所述的一种基于注意力机制与dcgan融合的振动信号分析诊断方法，其特征在于，在步骤1中，振动信号-图像转换，具体如下：
3.根据权利要求1所述的一种基于注意力机制与dcgan融合的振动信号分析诊断方法，其特征在于，在步骤2中，混合注意力模块的构建具体如下：
4.根据权利要求1所述的一种基于注意力机制与dcgan融合的振动信号分析诊断方法，其特征在于，在步骤3中，改进的...
【专利技术属性】
技术研发人员：俞啸，王颂丞，徐鸿洋，王荣振，夏冰，
申请(专利权)人：中国矿业大学，
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。