【技术实现步骤摘要】
本专利技术属于工业系统故障诊断，具体涉及基于多尺度融合注意力机制的故障迁移诊断方法。
技术介绍
1、滚动轴承在现代的工业系统中被广泛的应用，其作为机械设备中的重要部件，对整个设备的运行具有重要的作用。但是在生产过程中，由于设备的长期运行、环境因素、操作不当等诸多问题，会使得轴承出现性能衰退、部件损坏等情况，造成社会生产的重大损失，严重的甚至会危害生命健康。因此，需要提出一种能够实现准确可行的故障诊断方法。深度学习在如今诸多领域都得到了广泛的应用，而通道注意力作为一种提升模型学习能力的模块，同样在不断改进与创新。
技术实现思路
1、本专利技术的目的是提供基于多尺度融合注意力机制的故障迁移诊断方法，解决了现有技术中存在的通道注意力机制中对信息观察不全面的问题，降低冗余信息的影响，提高模型对故障诊断的准确率。
2、本专利技术所采用的技术方案是，基于多尺度融合注意力机制的故障迁移诊断方法，具体按照以下步骤实施：
3、步骤1、采用滑动窗口法构建数据集；
4、步骤2、使用特征提取器对输入的数据进行特征信息的提取；
5、步骤3、将步骤2中的特征信息输入到改进的通道注意力机制中，实现对模型关注信息的提取；
6、步骤4、将注意力机制的结果分别输入到故障分类器和域分类器中，从而实现对故障的诊断。
7、步骤5、构建评价指标，对步骤4建立的故障诊断模型的诊断结果进行评判。
8、本专利技术的特点还在于，
9、步骤
10、在滚动轴承的变工况情况下，对4种不同工况的数据进行数据集的构建，每一种工况下包含1种正常状态和9种不同类别的故障状态，利用滑动窗口构建样本集，每个样本集包含100个样本，每个样本的长度为2048个振动加速度数据，将构建好的数据集划分为训练集和验证集，其中训练集和验证集的比例是7:3。
11、步骤2具体按照以下步骤实施：
12、将步骤1中按照比例构建的训练集输入到特征提取器中进行特征提取，其中特征提取器可分为两部分。一部分是并行分支的多尺度卷积，包含三个分支结构，每个分支结构由卷积层、批归一化层bn、激活层、最大池化层四部分构成，三个分支结构中卷积层的卷积核大小分别是1*3、1*5、1*7，填充设置为1，激活层中使用的激活函数都为线性整流函数relu，最大池化层的参数设置都是步长为2，池化窗口大小为2，利用不同尺度的卷积核，对输入的信号进行不同角度的初步信息提取，另一部分是由4个串联的卷积模块组成，每个卷积模块包含卷积层、bn层、激活层、最大池化层四部分，卷积层中卷积核的大小都是1*3，填充设置为1，激活层中使用的激活函数也都为relu函数，最大池化层的参数设置也都是步长为2，池化窗口大小为2，将经过多尺度卷积提取的初步特征信息输入到4个串联的卷积模块中，实现对特征信息更深层次的信息提取。
13、步骤3具体按照以下步骤实施：
14、将步骤2中经过特征提取器提取的特征信息输入到改进的注意力机制mccm中，以增强模型对故障的识别效果，mccm的整体实施过程包含以下部分，首先将输入的特征信息通过全局平均池化层gap和全局最大池化层gmp，实现特征信息的压缩。然后使用两个1*3的卷积核学习压缩特征信息中每个通道之间的相关性，将输出结果与相应的压缩信息相加，并使用两个1*5的卷积核从更宽广的视野提取通道信息之间的关系。接着将gmp和gap压缩之后的信息相加，使用1*1的卷积核对压缩信息提取，再与上面的两个1*5卷积核输出相加，使用1*7的卷积核对相加信息进行整合。最后，通过bn层和sigmoid函数得到权重矩阵，将权重矩阵与输入的特征信息相乘，即可得到模型更加注重的特征信息；
15、将步骤2提取的特征信息首先分别使用gap和gmp进行信息的压缩；接着将两个压缩之后的信息输入到两个卷积核为1*3的卷积中学习每个通道之间的相关性；然后将两个1*3卷积核输出的特征信息相加，将相加的信息与前面经过gmp和gap压缩的信息分别结合，并输入到两个卷积核为1*5的卷积层中；将经过gap和gmp压缩之后的特征信息相加，并输入到卷积核为1*1的卷积层中，利用bn层对输出结果标准化；
16、将两个1*5的卷积核输出的结果和bn层的输出结果相加，再输入到卷积核为1*7的卷积层当中，对输出的结果利用bn层规范处理，再将处理结果经过sigmoid函数限制输出的范围在0～1之间，从而得到每个通道的权重矩阵；对输入到注意力机制的特征信息和通道权重矩阵相乘，即得到模型所关注的特征信息。
17、步骤4具体按照以下步骤实施：
18、将步骤3中注意力机制的输出结果经过展平层(flatten)之后，分别输入到故障分类器和域分类器中。故障分类器的作用是实现对故障的诊断，其结构由3层全连接层构成，每个层的层数分别是256、128、10，将最后一层全连接层的输出设置为10。域分类器的作用是减少不同数据分布之间的差异，其结构是使用3层全连接层，每个全连接层的层数分别是256、128、2。
19、步骤5具体按照以下步骤实施：
20、在步骤1中对于训练集和验证进行了划分，为了说明模型的效果，以准确率(accuracy，acc)作为模型结果的评价指标，公式如下：
21、
22、式中，acc表示预测正确的样本数占总样本数的比例，tp为模型预测结果正常，并且标签结果也为正常的数量；fp为模型预测结果为正常，但标签为异常的数量；fn为模型预测为异常，但标签为正常的数量；tn为模型预测为异常，并且标签也是异常的数量。
23、本专利技术的有益效果是，基于多尺度融合注意力机制的故障迁移诊断方法，为提升通道注意力机制对特征信息多角度、多方面的学习能力，通过增加不同类型特征信息与不同尺度卷积核，对所提取的特征信息进行侧重选取，增加对模型训练有益信息的权重，减少冗余信息的影响，从而提升模型对故障的识别能力。为了验证所提出通道注意力机制的有效性，在cwru公开数据集中验证，并取得了高精度的检测结果。
本文档来自技高网...【技术保护点】
1.基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤3具体按照以下步骤实施：
5.根据权利要求4所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤4具体按照以下步骤实施：
6.根据权利要求5所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤5具体按照以下步骤实施：
【技术特征摘要】
1.基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于多尺度融合注意力机制的故障迁移诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据...
【专利技术属性】
技术研发人员：金永泽，宋小豪，杨延西，黑新宏，刘俊琪，上官安琪，穆凌霞，李艳恺，
申请(专利权)人：西安理工大学，
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。