CN113505654A - 基于多视角注意力网络的轴承健康状态识别方法 - Google Patents
基于多视角注意力网络的轴承健康状态识别方法 Download PDFInfo
- Publication number
- CN113505654A CN113505654A CN202110671228.3A CN202110671228A CN113505654A CN 113505654 A CN113505654 A CN 113505654A CN 202110671228 A CN202110671228 A CN 202110671228A CN 113505654 A CN113505654 A CN 113505654A
- Authority
- CN
- China
- Prior art keywords
- network
- attention
- bearing
- data set
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于多视角注意力网络的轴承健康状态识别方法,包括以下步骤:S1.获取数据集,并通过信号处理方法将数据集变换为不同的表现形式;S2.对各表现形式的信号进行降维处理并组合成多通道数据;S3.将多通道数据输入至具有注意力模块的深层残差网络进行网络训练直至网络收敛。本方案通过对信号由点及面和由面及点建模,从广度和深度上保证了故障诊断的有效性。多种形式的数据保证了故障信息的全面性;含有注意力模块的深层网络保证了所提取特征的有效性和精确性。不仅适用于常规工况下的轴承故障诊断,而且适用于低信噪比条件下的轴承故障诊断。
Description
技术领域
本发明属于轴承故障诊断技术领域,尤其是涉及一种基于多视角注意力网络的轴承健康状态识别方法。
背景技术
随着科技的发展进步,轴承及其智能化应用在社会生产和生活中应用越来越广泛。其健康状态不仅关系到经济效益,更关系到人们及整个社会的安全。对机械设备的健康诊断具有重要的意义,及时的挖掘出机械设备中的故障,可以对潜在的事故进行安全防范,避免不必要的人员伤亡和经济损失。
然而,现实工程中轴承的工作环境并不一定具有十分良好的工况。事实上,在很多情况下,轴承是在噪声环境中运转的。同时,由于机械系统的复杂性,所采集到的振动信号往往掺杂有不同的噪声信号,具有较低的信噪比。
传统的故障诊断方法主要包括两种思路,一种是基于信号处理对原信号进行处理,使原来不明显的故障特征变得更为明显,然后再基于专家的经验知识来判断轴承的故障类型。另一种是基于机器学习的方法对样本进行学习,通过机器学习模型强大的非线性表征能力来表征信号,提取出其中具有明显可区分性的特征来进行故障诊断。对于前者,需要依赖专业的专家经验,常用的方法包括小波、EMD的阈值过滤消噪方法。对于后者,所使用的方法包括使用支持向量机、神经网络等方法对所提取的不同指标进行分析来判断故障。然而,虽然机器学习具有强大的非线性表征能力,但是其对特征的提取具有盲目性。而且,一方面,时域信号本身的特征表现能力较弱无法较好地提取特征,另一方面,特征提取环节不一定能准确提取到与故障相关的特征。
注意力网络,作为一种前沿的深度学习方法已经在诸多领域有了较好的应用。尽管在轴承的故障诊断领域,也已经有学者对其进行了研究。然而,这些注意力网络均是基于时域信号或者频谱的注意力网络,这些网络的注意力权重分配在特征的形状维度上,而不是其通道维度上,所以尽管故障诊断能力得到了提高,但是由于所使用的单通道数据本身表达能力不足的问题,导致诊断方法仍然存在一定的局限性。
发明内容
本发明的目的是针对上述问题,提供一种基于多视角注意力网络的轴承健康状态识别方法。
为达到上述目的,本发明采用了下列技术方案:
一种基于多视角注意力网络的轴承健康状态识别方法,包括以下步骤:
S1.获取数据集,并通过信号处理方法将数据集变换为不同的表现形式;
S2.对各表现形式的信号进行降维处理并组合成多通道数据;
S3.将多通道数据输入至具有注意力模块的深层残差网络进行网络训练直至网络收敛。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,步骤S3之后还包括:
S4.使用训练好的深层残差网络作为故障诊断模型对机械设备进行故障诊断。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,步骤S1具体为:
在上述的基于多视角注意力网络的轴承健康状态识别方法中,在步骤S12中,通过频谱分析、包络谱分析、时频分析三种信号处理方法将数据集变换为频谱、包络谱和时频图三种表现形式。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,所述的通过傅里叶变换方法将数据集变换为频谱形式;
通过希尔伯特变换方法将数据集变换为包络谱形式;
通过小波变换方法将数据集变换为时频图形式。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,降维后的各种表现形式的数据具有相等的长度以组合成多通道数据。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,所述的深沉残差网络具有多个堆叠的残差块,每个残差块具有一个注意力模块,且注意力模块嵌于各残差块的后面,用于对残差块所提取的特征进行一次基于注意力模块的特征提取。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,所述的注意力模块用于对特征的通道维度进行注意力学习,获得与特征在通道维度上具有相同尺寸的自适应加权系数数组,并通过与相应残差块输出的特征进行相乘以进行一次基于注意力模块的特征提取。
在上述的基于多视角注意力网络的轴承健康状态识别方法中,所述的注意力模块通过全连接层实现。
本发明的优点在于:多种形式的数据保证了故障信息的全面性;对信号由点及面和由面及点建模,从广度和深度上保证了故障诊断的有效性;通过对残差块添加注意力模块保证所提取特征的有效性和精确性;使用具有足够表达能力的多通道数据,在低信噪比条件下也能够进行精确的轴承故障诊断。
附图说明
图1为本发明基于多视角注意力网络的轴承健康状态识别方法的方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1所示,本实施例公开了一种基于多视角注意力网络的轴承健康状态识别方法,包括以下步骤:
S1.获取原始信号数据集,并通过信号处理方法将数据集变换为不同的表现形式;
S2.对各表现形式的信号进行降维处理并组合成多通道数据,减少不必要特征的干扰,提取出与故障特征较为相关的故障特征;
S3.将多通道数据输入至具有注意力模块的深层残差网络进行网络训练直至网络收敛;
S4.使用训练好的深层残差网络作为作为故障诊断模型对机械设备进行故障诊断。
进一步地,步骤S1具体为:
在步骤S12中,通过频谱分析、包络谱分析、时频分析三种信号处理方法将数据集变换为频谱、包络谱和时频图三种表现形式。具体通过傅里叶变换方法将数据集变换为频谱形式;通过希尔伯特变换方法,或希尔伯特变换方法和傅里叶变换将数据集变换为包络谱形式;通过小波变换方法将数据集变换为时频图形式。频谱形式可以在频率维度上分析信号的成分,可以分析出重要的故障相关频率的变化;包络谱形式对早期信号较有优势,对于微弱故障特征的提取,其能够更好的挖掘出故障特征;时频图形式,也是一种较好的微弱故障处理方法,不相关的噪声、非平稳信号可以在时频图上得到分离。通过不同视角的展开,可以保证低信噪比信号中与故障有关的特征可以得到分离,可以更明显的挖掘到故障特征。故障有关的特征的分离也降低了后续模型提取故障特征的难度,只需在这些特征中找到对应的故障特征即可,而不需要网络具有降噪机制。
进一步地,在步骤S2中,通过主成分分析特征降维方法或拉普拉斯特征降维方法等降维方法对信号进行降维得到代表降维后的第i种健康状态的第j种信号表现形式。不同表现形式的数据降维后的信号具有相同的特征长度以组合成多通道数据,不同的通道代表观察数据的不同视角。此外,降维后的信号去除了信号中的冗余成分,凸显了其故障相关成分,更有利于网络的建模和故障诊断。
具体地,如图1所示,深沉残差网络包括第一个卷积层(convolution layer)、多个堆叠的残差块,全连接层及激活函数softmax等。这里有9个残差块,每个残差块的组成如图1中的右侧所示,每个残差块均具有一个注意力模块,且注意力模块嵌于各残差块的后面,注意力模块用于对特征的通道维度进行注意力学习,对于与故障相关较大的通道特征,给其分配较大的权重;同时对于与故障相关较小的通道特征,给其分配较小的权重,获得与特征在通道维度上具有相同尺寸的自适应加权系数数组,并通过与相应残差块输出的特征进行相乘以进行一次基于注意力模块的特征提取,并作为下一层网络的输入。
这里具体使用全连接层来实现注意力模块,注意力施加在不同的特征通道上,相当于给每个通道的特征乘以一个加权系数,而该加权系数是通过全连接层得到的。
本方案将数据进行了由点及面的处理,即将数据展开成了多种形式的数据,这些数据既有互补,也有冗余,注意力模块的建立能够避免冗余数据的影响。此外,这里通过对每一个残差块的输出进行一次注意力模块的特征提取,能够更好地在各层实现故障相关的特征增强。
本方案通过对信号由点及面和由面及点建模,从广度和深度上保证了故障诊断的有效性。多种形式的数据保证了故障信息的全面性;含有注意力模块的深层网络保证了所提取特征的有效性和精确性。不仅适用于常规工况下的轴承故障诊断,而且适用于低信噪比条件下的轴承故障诊断。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了数据集、多通道数据、健康状态、表现形式、频谱分析、包络谱分析、时频分析、频谱形式、包络谱形式、时频图形式、特征降维、注意力模块等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于多视角注意力网络的轴承健康状态识别方法,其特征在于,包括以下步骤:
S1.获取数据集,并通过信号处理方法将数据集变换为不同的表现形式;
S2.对各表现形式的信号进行降维处理并组合成多通道数据;
S3.将多通道数据输入至具有注意力模块的深层残差网络进行网络训练直至网络收敛。
2.根据权利要求1所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,步骤S3之后还包括:
S4.使用训练好的深层残差网络作为故障诊断模型对机械设备进行故障诊断。
4.根据权利要求3所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,在步骤S12中,通过频谱分析、包络谱分析、时频分析三种信号处理方法将数据集变换为频谱、包络谱和时频图三种表现形式。
5.根据权利要求4所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,所述的通过傅里叶变换方法将数据集变换为频谱形式;
通过希尔伯特变换方法将数据集变换为包络谱形式;
通过小波变换方法将数据集变换为时频图形式。
7.根据权利要求6所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,降维后的各种表现形式的数据具有相等的长度以组合成多通道数据。
8.根据权利要求1所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,所述的深沉残差网络具有多个堆叠的残差块,每个残差块具有一个注意力模块,且注意力模块嵌于各残差块的后面,用于对残差块所提取的特征进行一次基于注意力模块的特征提取。
9.根据权利要求8所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,所述的注意力模块用于对特征的通道维度进行注意力学习,获得与特征在通道维度上具有相同尺寸的自适应加权系数数组,并通过与相应残差块输出的特征进行相乘以进行一次基于注意力模块的特征提取。
10.根据权利要求9所述的基于多视角注意力网络的轴承健康状态识别方法,其特征在于,所述的注意力模块通过全连接层实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110671228.3A CN113505654A (zh) | 2021-06-17 | 2021-06-17 | 基于多视角注意力网络的轴承健康状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110671228.3A CN113505654A (zh) | 2021-06-17 | 2021-06-17 | 基于多视角注意力网络的轴承健康状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505654A true CN113505654A (zh) | 2021-10-15 |
Family
ID=78010231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110671228.3A Pending CN113505654A (zh) | 2021-06-17 | 2021-06-17 | 基于多视角注意力网络的轴承健康状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505654A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
-
2021
- 2021-06-17 CN CN202110671228.3A patent/CN113505654A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
Zhang et al. | An FSK-MBCNN based method for compound fault diagnosis in wind turbine gearboxes | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
Ji et al. | Parallel sparse filtering for intelligent fault diagnosis using acoustic signal processing | |
CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
CN111256965A (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN113505654A (zh) | 基于多视角注意力网络的轴承健康状态识别方法 | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
AU2021104217A4 (en) | A system and method for optimum wavelet basis function selection for ecg arrhythmia denoising using artificial intelligence | |
CN115130500A (zh) | 一种基于sdae算法的电机故障诊断系统及方法 | |
CN114742094A (zh) | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 | |
CN115169815A (zh) | 一种基于混合泛化网络的风电机组异常检测方法 | |
CN114139578A (zh) | 用于液压柱塞泵智能故障诊断的深度归一化卷积神经网络模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |