【技术实现步骤摘要】
本专利技术结合transformer网络和交叉注意力机制提出了一种基于多源信号融合的ca-transformer轴承故障诊断方法。
技术介绍
1、轴承在工业领域中至关重要，涵盖了精密制造、航空航天和国防等领域。轴承在高速和重载条件下运行，容易发生损伤，显著降低效率，甚至导致严重事故。因此，准确识别轴承故障对于确保工业机械系统的安全运行至关重要。
2、随着传感器和数据处理技术的进步，机械设备状态信号的可收集性和可用性大大提高。数据驱动方法在故障诊断领域成功应用，尤其是基于机器学习和深度学习的方法。旋转机械的状态信号通常非平稳非线性，故障特征易被噪声掩盖，难以人工识别。基于机器学习的诊断依赖先验领域知识，并且缺乏从信号中捕获深入信息的能力。而基于深度学习的诊断方法构建了端到端模型，能有效提取信号中的潜在信息，并具有强大的泛化能力，因此受到越来越多的研究关注。
3、深度学习算法具有深度分层网络，可以提取和学习原始数据中的多级特征。许多深度网络已成功应用于故障诊断领域，如深度置信网络、卷积神经网络、和循环神经网络等。然而，这几种神经网络都存在一些缺陷。深度置信网络需要大量的计算资源和时间进行训练，且在复杂数据上表现不佳。卷积神经网络对待所有部分的处理是平等的，缺乏针对性。循环神经网络无法并行计算，不适用于大规模数据集的训练。
4、不同类型的轴承故障通常具有一定的相似性，导致其边界模糊，从而容易引起故障类型的误判。如果仅使用单一通道数据特征作为网络输入，初始信号中存在的异常值和噪声会影响网络模型对轴承故
技术实现思路
1、本专利技术目的是为了解决现有轴承故障诊断方法难以准确充分提取故障特征的问题，以及现有深度学习模型在复杂数据集上训练效率不足的问题，而提出了一种ca-transformer多源信号融合的轴承故障诊断方法。
2、基于多源信号融合的ca-transformer轴承故障诊断方法具体过程如下：
3、获得待诊断的多源轴承原始振动信号，将待诊断的多源轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障分类诊断结果；
4、ca-transformer多源信号融合的故障诊断网络通过以下方式获得：
5、步骤一、利用传感器采集对应位置的加速度信号，并进行处理降噪，生成样本集。通过随机取样，按一定比例划分为训练集和测试集，作为模型的训练和验证；
6、步骤二、构建基于交叉注意力机制的多源数据融合ca-transformer网络框架；
7、所述的基于交叉注意力机制的多源数据融合ca-transformer网络框架包括三个阶段，分别是输入阶段、ca-transformer阶段和分类阶段组成；
8、所述输入阶段，来自两个传感器(传感器1和传感器2)的原始信号数据首先被处理为嵌入向量。对于每个传感器的信号，通过短时窗嵌入和长时窗嵌入线性投影生成固定大小的令牌；
9、所述ca-transformer阶段，基于transformer网络和交叉注意力机制来融合来自不同传感器的特征；
10、所述在分类阶段，交叉注意力处理后的表示ffused，进一步通过线性层和softmax层进行分类；
11、步骤三、初始化模型超参数，包括但不限于学习率、迭代次数、网络层数等；使用训练样本对ca-transformer模型进行训练，优化参数使模型收敛，最后保存训练好的ca-transformer模型用于测试评估；
12、步骤四、将测试集数据输入到训练好的ca-transformer模型，输出分类结果并分析；
13、进一步地，所述步骤一包括以下步骤：
14、首先，采用动力传动模拟试验台采集轴承故障数据；
15、然后，按照预设比例将样本划分为训练集、验证集和测试集，并分别设定类别标签。
16、进一步地，所述步骤二中处理为嵌入向量输出为：
17、
18、其中d1为该全连接层输出维度；w1为该全连接层的参数
19、然后，在的首个元素前插入类别令牌，类别令牌是存储当前序列中的故障标签信息，并在训练前随机初始化。此时：
20、
21、最后，采用绝对位置编码技术对输入数据添加位置信息，单点的位置信息生成：
22、
23、其中pe(·)为位置编码函数；d为模型输入嵌入的维度；i为具体维度索引；pos为输入数据序列中某数据在该序列中的位置索引。
24、对位置编码得到短时窗令牌序列es，其包括一个类别令牌和个短时令牌同理，对x2信号做长时窗分段、提取特征以及位置编码得到长时窗令牌序列el，其也包括1个类别令牌和个长时令牌
25、进一步地，所述步骤二中在ca-transformer阶段，每个传感器的嵌入向量首先通过各自的子分支transformer编码器进行特征提取。每个编码器由多层标准的transformer编码器组成，包括层归一化、多头自注意力机制和前馈神经网络。层归一化输出：
26、
27、ei是输入特征向量令牌序列，μ是特征向量的均值，σ是特征向量的标准差，γ和β是学习的缩放系数和平移系数，∈是一个很小的数用于稳定计算。
28、归一化后的输出作为多头自注意力机制的输入。多头注意力机制通过并行执行多个注意力头，将结果拼接后再经过线性变换得到最终的注意力输出。首先计算输入特征的q、k、v，然后经过缩放处理和softmax操作，得到单个注意力头的注意力权重。
29、多头自注意力机制的输出经过残差连接和归一化后，传递给前馈神经网络。ffn由两个线性变换和一个激活函数组成：
30、ffn(h)＝max(0,hw1+b1)w2+b2
31、其中，w1和w2是线性变换的权重矩阵，b1和b2是偏置项，max(0,x)表示激活函数。
32、经过和两个编码器分支模块，逐步提取并增强输入特征的表示。传感器1和传感器2的特征表示分别为：：
33、
34、接下来，将、两个特征中的类别令牌互换，使用交叉注意力机制将两个特征进行交互融合。单个交叉注意力机制模块对于输入的2个特征，，分别与权重和矩阵点乘，生成query矩阵与key矩阵，同时将特征与权重矩阵点乘，生成value矩阵。
35、
36、利用上述公式计算获得2种特征之间的注意力的分数矩阵，这一矩阵表征某一种映射下2个特征信息序列的关联程度。注意力分数矩阵a与权值矩阵的点乘体现了特征向特征的潜在适应。
37、第i个交叉注意力模块可以表示为：
38、
39、进一步地，所述步骤二中在分类阶段，交叉注意力处理后的表示进一步通过线性层和softmax层进行分类。首先，线性层将高维特征映射到分类空间：
40、z＝ffusedwo+bo<本文档来自技高网...
【技术保护点】
1.基于多源信号融合的CA-Transformer轴承故障诊断方法具体过程如下：获得待诊断的多源轴承原始振动信号，将待诊断的多源轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障分类诊断结果；
2.根据权利要求1所述的基于多源信号融合的CA-Transformer轴承故障诊断方法，其特征在于：所述步骤一包括以下步骤：
3.根据权利要求2所述的基于多源信号融合的CA-Transformer轴承故障诊断方法，其特征在于：所述步骤二中处理为嵌入向量输出为：
4.根据权利要求3所述的基于多通道校准可移位窗口Transformer的迁移学习轴承故障诊断方法，其特征在于：
5.根据权利要求4所述的基于多通道校准可移位窗口Transformer的迁移学习轴承故障诊断方法，其特征在于：
6.基于CA-Transformer多源信号融合的轴承故障诊断系统，包括数据采集与提取模块、数据集划分模块、CA-Transformer网络搭建模块、CA-Transformer网络训练模块、验证模块、数据测试模块、故障状态识别模块。
7.
...【技术特征摘要】
1.基于多源信号融合的ca-transformer轴承故障诊断方法具体过程如下：获得待诊断的多源轴承原始振动信号，将待诊断的多源轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障分类诊断结果；
2.根据权利要求1所述的基于多源信号融合的ca-transformer轴承故障诊断方法，其特征在于：所述步骤一包括以下步骤：
3.根据权利要求2所述的基于多源信号融合的ca-transformer轴承故障诊断方法，其特征在于：所述步骤二中处理为嵌入向量输出为：
4.根据权利要求3所述的基于多通道校准可移位窗口transfor...
【专利技术属性】
技术研发人员：李学艺，冉光圣，王相凯，张飞斌，褚福磊，谢怡宁，王志亮，徐海彬，
申请(专利权)人：东北林业大学，
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。