基于多尺度双重特征强化的故障诊断方法和系统技术方案

本发明专利技术提供一种基于多尺度双重特征强化的故障诊断方法和系统，涉及故障诊断技术领域。本发明专利技术通过故障识别模型对滚动轴承的故障缺陷进行分类，其中故障识别模型包括特征选择模块、多尺度特征提取模块和特征融合及输出模块；判别性特征强化机制无缝嵌入至特征选择模块和多尺度特征提取模块以强化故障特征，所述判别性特征强化机制中包含两个模块分别是多谱通道注意力机制和双路径激励注意力机制。本发明专利技术通过提取不同尺度的丰富故障特征信息，并通过判别性特征强化机制既实现了对通道间相互依赖的细粒度关注，又能强调时间轴上故障信号中脉冲激励段的重要信息，从而有效降低噪声、工况变化等无关信息对最终任务的影响，提高模型故障诊断精度。

【技术实现步骤摘要】

本专利技术涉及故障诊断，具体涉及一种基于多尺度双重特征强化的故障诊断方法和系统。

技术介绍

1、滚动轴承作为旋转机械的核心部件，广泛应用于交通运输、能源动力和航空动力等多种工业设备中，被誉为“工业的关节”。然而，由于滚动轴承长期在恶劣工作环境中运行无疑大大增加了其发生故障的可能性。在机械设备的故障案例中，30％～40％的故障是由轴承故障引起的。因此，对滚动轴承故障的准确诊断一直是一个重要的工程课题。

2、传统的故障诊断方法对专家经验过于依赖并且特征提取的效率较低，难以满足故障诊断对高效率高精度的要求，而深度学习方法很好地解决了传统故障诊断中的不足，所以基于深度学习的滚动轴承故障诊断方法，如长短期记忆网络(lstm)、深度置信网络(dbn)、卷积神经网络(cnn)等，在轴承诊断中被广泛采用和研究。

3、其中cnn及其变体在基于深度学习的轴承故障诊断方法中占据主导地位，然而，现有的基于卷积神经网络的故障诊断模型仍存在着不足：(1)缺乏判别特征学习机制。cnn中不同的特征对故障诊断任务的重要性不同。传统的cnn不能自适应地专注于学习更多的本文档来自技高网...

【技术保护点】

1.一种基于多尺度双重特征强化的故障诊断，其特征在于，包括：

2.如权利要求1所述的基于多尺度双重特征强化的故障诊断，其特征在于，所述特征选择模块包括宽卷积模块，所述宽卷积模块用于对振动信号进行特征筛选，表述式为：

3.如权利要求1所述的基于多尺度双重特征强化的故障诊断，其特征在于，多尺度特征提取模块包括三分支并行结构的不同尺度卷积模块。

4.如权利要求1所述的基于多尺度双重特征强化的故障诊断，其特征在于，所述特征融合及输出模块包括融合通道、全局平均池化层、全连接层；在特征融合及输出模块中，使用多谱通道注意力机制对沿通道融合的特征进行自适应调整；通过全...

【技术特征摘要】

1.一种基于多尺度双重特征强化的故障诊断，其特征在于，包括：

2.如权利要求1所述的基于多尺度双重特征强化的故障诊断，其特征在于，所述特征选择模块包括宽卷积模块，所述宽卷积模块用于对振动信号进行特征筛选，表述式为：

3.如权利要求1所述的基于多尺度双重特征强化的故障诊断，其特征在于，多尺度特征提取模块包括三分支并行结构的不同尺度卷积模块。

4.如权利要求1所述的基于多尺度双重特征强化的故障诊断，其特征在于，所述特征融合及输出模块包括融合通道、全局平均池化层、全连接层；在特征融合及输出模块中，使用多谱通道注意力机制对沿通道融合的特征进行自适应调整；通过全局平均池化层对调整后的融合特征进行减少特征参数处理，全局平均池化层的输出输入到全连接层，全连接层的输出经过softmax函数输出故障分类...

【专利技术属性】
技术研发人员：周谧，陈洋洋，钱晓飞，郑锐，胡朝明，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：