CN114881086A - 基于注意力lstm的配对轴承智能质量识别方法 - Google Patents

基于注意力lstm的配对轴承智能质量识别方法 Download PDF

Info

Publication number
CN114881086A
CN114881086A CN202210558338.3A CN202210558338A CN114881086A CN 114881086 A CN114881086 A CN 114881086A CN 202210558338 A CN202210558338 A CN 202210558338A CN 114881086 A CN114881086 A CN 114881086A
Authority
CN
China
Prior art keywords
output
feature
data
neural network
lstm
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.)
Granted
Application number
CN202210558338.3A
Other languages
English (en)
Other versions
CN114881086B (zh
Inventor
刘晨旭
赵贯西
杨波
沈奎林
康玲
成家悦
张济生
王昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202210558338.3A priority Critical patent/CN114881086B/zh
Publication of CN114881086A publication Critical patent/CN114881086A/zh
Application granted granted Critical
Publication of CN114881086B publication Critical patent/CN114881086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于注意力LSTM的配对轴承智能质量识别方法，包括如下步骤：步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M；步骤二：对采集得到的信号进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据；步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块，并在残差块后设有SE注意力模块；步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配对轴承的型号特征；步骤五：利利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。

Description

基于注意力LSTM的配对轴承智能质量识别方法
技术领域
本发明属于机械系统智能诊断技术领域，具体的为一种基于注意力LSTM的配对轴承智能质量识别方法。
背景技术
在当今国内外机械行业中，滚动轴承是广泛应用于相对运动和相互作用的机械设备，具备支撑承载、减排节能、消振降噪等功能。在实际的使用过程中,为了能够承受来自两个方向的轴向力并提高承载能力,部分滚动轴承(如角接触球轴承)通常采用配对(如背对背、面对面、串联配对)或多列组合的方式使用，这类轴承统称为配对轴承。
配对轴承的预紧装配是指在轴承装配后，通过某种方式在轴承内圈或外圈上沿轴向施加一恒定的力(即预紧力)，使内外圈沿轴向产生相对预紧位移，一方面可消除轴承内部的游隙；另一方面又可同时迫使滚动体和内、外圈紧密接触，并在接触处产生一定的弹性变形使接触面积增大，参与受力的滚动体的数量增加，从而提高轴承的刚度、旋转精度以及使用寿命，也相应提高轴系的临界转速。因此在机械行业中，预紧装配的重要性不言而喻。
随着机械行业发展，现代工业对配对轴承的质量(使用寿命、支承刚度、旋转精度等)也提出了更高的要求。以配对轴承为研究对象进行质量识别，对机械工业生产便具有了更重要的意义。然而，在现有技术中，工厂及个人在对配对轴承进行质量识别时，多用查表法(内部游隙大小范围)和经验判别法(观察滚动体与内外圈接触是否良好等)。这些方法往往不能科学有效地对配对轴承的质量进行识别，致使配对轴承的检测效率低下。同时，在现有的诊断识别方法中，操作者的判断会有一定的主观性参杂在内，可能导致对配对轴承的质量误判，致使轴承在短时间的应用过程中便损坏，引发机器故障，从而影响机器的工作进度，在检查机器故障、更换配对轴承等方面浪费大量人力物力与时间。综合以上分析，现有技术在配对轴承的质量识别的领域方面仍不成熟，还处于有待开发的地带。
发明内容
有鉴于此，本发明的目的在于提供一种基于注意力LSTM的配对轴承智能质量识别方法，能够识别配对轴承的质量。
为达到上述目的，本发明提供如下技术方案：
一种基于注意力LSTM的配对轴承智能质量识别方法，包括如下步骤：
步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M；
步骤二：对采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据；
步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块以防止过拟合或梯度消失，并在残差块后设有SE注意力模块对通道间关系实现显式建模，通过生成的注意力图对特征进行重校准；
步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配对轴承的型号特征；
步骤五：利用全连接层将LSTM神经网络输出的数据映射到负无穷至正无穷范围，而后利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。
进一步，所述步骤二中，采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换为尺寸为32×32×3的二维数据。
进一步，所述步骤三中，数据经残差块进行两次3×3的卷积后，输出的结果与两次卷积前的数据直接映射相加，为：
xl+1＝xl+F(xl,Wl)
其中，xl+1表示第l+1层的特征输入；F表示第l层的残差函数映射；xl表示第l层的特征输入；Wl表示第l层的参数。
进一步，数据进入SE注意力模块后，先进行压缩操作，而后进行激励操作；
压缩操作时，沿空间维度来进行特征压缩，将每个二维的特征通道变作一个实数z，所述实数z具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，可表示为：
Figure BDA0003655686980000021
其中，zC∈RC是对特征U在空间维度H×W执行全局平均池化后的结果；Fsq表示特征压缩函数；uC表示通道特征映射的卷积和，其尺寸为H×W×C；H表示特征U的长度；W表示特征U的宽度；i表示特征对应的行；j表示特征对应的列；
激励操作时，通过参数W来为每个特征通道生成权重，其中参数W被学习用来显式地建模特征通道间的相关性，经过两个全连接层后，得到两个参数W1、W2，表示为：
s＝Fex(z,W)＝σ(W2δ(W1z))
其中，σ表示Sigmoid函数；δ表示ReLU函数，
Figure BDA0003655686980000022
r为超参数；s表示门控机制的输出；Fex表示激励操作函数；z表示上一步特征压缩操作的输出值。
进一步，将输出的权重通过乘法逐通道加权到先前的特征上，——对U每个位置上的H×W上的值都乘上对应通道的权值，完成在通道维度上的对原始特征的重标定，可表示为：
Figure BDA0003655686980000031
最终得到SE注意力模块的最终输出为：
Figure BDA0003655686980000032
其中，
Figure BDA0003655686980000033
表示第C个通道输出的特征值；Fscale表示重标定函数；uC表示尺寸为H×W的特征映射；sC表示第C个通道的门控机制的输出；
Figure BDA0003655686980000034
表示最终输出特征；
Figure BDA0003655686980000035
表示第i个通道输出的特征值；U表示转换输出特征。
进一步，数据经残差块和SE注意力模块堆叠两次后，每层卷积核尺寸为3×3尺寸，输出数据的尺寸为8×8×128。
进一步，将经图卷积神经网络输出的数据变形为尺寸为64×128的数据后，再输入到LSTM神经网络。
本发明的有益效果在于：
本发明基于注意力LSTM的配对轴承智能质量识别方法，由通过带有通道SE注意力模块的多层卷积神经网络(Convolutional Nerual Network，CNN)和长短期记忆网络(LongShort-TermMemory，LSTM)构建得到神经网络模型，可将配对轴承预紧过程中的三种一维信号：预紧力信号P、位移信号S和摩擦扭矩信号M，经过小波转换后作为神经网络的输入，通过该模型提取特征后输出，最后利用softmax函数得到轴承是否符合要求的概率，以此判断质量的合格与否，即能够满足配对轴承质量的识别。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明基于注意力LSTM的配对轴承智能质量识别方法的流程图；
图2为设有残差块和SE注意力模块的的图卷积神经网络的结构图；
图3为LSTM长短期记忆模型的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本实施例的基于注意力LSTM的配对轴承智能质量识别方法，包括如下步骤。
步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M。本实施例采用滚珠轴承智能配对预紧分析机采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M，其中滚珠轴承智能配对预紧分析机可采用公开号为CN108827633B的中国专利公开的一种配对滚动轴承智能调试装置，不再累述。本实施例中，采集了配对轴承在预紧分析过程中的力与位移以及摩擦扭矩的信号数据。具体的，在滚珠轴承智能配对预紧分析机中，通过改变电磁铁电压来控制配对轴承轴向预紧力的大小，S型称重传感器则负责接收该轴向预紧力信号。配对轴承在轴向预紧力的作用下，内外圈产生相对预紧位移，由激光位移传感器接收预紧位移信号。悬臂梁式单点称重传感器接收配对轴承外圈摩擦力信号，由于臂长固定不变，即可表示对应的摩擦扭矩信号。
步骤二：对采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据。本实施例中，采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换为尺寸为32×32×3的二维数据。
在模型训练前，分别对若干合格轴承与若干不合格轴承的三种信号(紧力信号P、位移信号S和摩擦扭矩信号M)进行分类采集。在模型训练过程中，通过比较验证数据预测值和真实值之间的交叉熵损失函数(Cross Entropy Loss Function，CELF)判断模型的实际效果。若CELF值较大，则说明模型可能存在过拟合等情况，需要对模型重新进行训练；若CELF值较小，则说明模型精度较高。随着迭代次数不断提升，训练误差不断地下降，准确率逐渐上升。
样本训练包括将训练集输入多层CNN模型中，在依次经由残差模块和SE模块堆叠两次后，提取特征后再进入LSTM模型中，利用反向传播算法训练深度LSTM模型。首先前向计算各神经元的输出，在通过误差反向传播更新各神经元的参数。均匀初始化网络的权重参数：采用Adam优化器更新模型参数，本实施例中，学习率设置为0.01，衰减率为0.001，迭代次数500代。
步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块以防止过拟合或梯度消失，并在残差块后设有SE注意力模块对通道间关系实现显式建模，通过生成的注意力图对特征进行重校准，如图2所示。
数据经残差块进行两次3×3的卷积后，输出的结果与两次卷积前的数据直接映射相加，为：
xl+1＝xl+F(xl,Wl)
其中，xl+1表示第l+1层的特征输入；F表示第l层的残差函数映射；xl表示第l层的特征输入；Wl表示第l层的参数。
SE注意力模块是压缩与激励(Squeeze-and-Excitation)模块的简称。SE模块的主要目的是学习通道之间的相关性，生成针对通道的注意力，提升模型对通道特征的敏感性。除此之外，它还具有很低的计算复杂度，可以嵌入任意的模型。SE模块可分作以下3个部分：数据进入SE注意力模块后，先进行压缩操作，而后进行激励操作，最后是重校准操作。
压缩操作时，沿空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它不但表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野。可表示为：
Figure BDA0003655686980000051
其中，zC∈RC是对特征U在空间维度H×W执行全局平均池化后的结果；Fsq表示特征压缩函数；uC表示通道特征映射的卷积和，其尺寸为H×W×C；H表示特征U的长度；W表示特征U的宽度；i表示特征对应的行；j表示特征对应的列；
激励操作时，作为一个类似于循环神经网络中门的机制。通过参数W来为每个特征通道生成权重，其中参数W被学习用来显式地建模特征通道间的相关性。经过两个全连接层后，得到两个参数W1、W2。该操作需要满足两个条件：第一，操作灵活能够获得通道间的非线性关系；第二，学到的关系不一定是互斥的，因为设想的是多个通道特征被加强，而不是像独热形式只能加强某一个通道特征。为了满足这两个条件采用了如下的变换形式：
s＝Fex(z,W)＝σ(W2δ(W1z))
其中，σ表示Sigmoid函数；δ表示ReLU函数，
Figure BDA0003655686980000052
r为超参数；s表示门控机制的输出；Fex表示激励操作函数；z表示上一步特征压缩操作的输出值。
重校准操作时，
最终得到SE注意力模块的最终输出为：将输出的权重看做是经过特征选择后的每个特征通道的重要性，通过乘法逐通道加权到先前的特征上，——对U每个位置上的H×W上的值都乘上对应通道的权值，完成在通道维度上的对原始特征的重校准。可表示为：
Figure BDA0003655686980000053
最终得到SE注意力模块的最终输出为：
Figure BDA0003655686980000054
其中，
Figure BDA0003655686980000055
表示第C个通道输出的特征值；Fscale表示重标定函数；uC表示尺寸为H×W的特征映射；sC表示第C个通道的门控机制的输出；
Figure BDA0003655686980000056
表示最终输出特征；
Figure BDA0003655686980000057
表示第i个通道输出的特征值；U表示转换输出特征。
步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配对轴承的型号特征。
LSTM是用于处理深度学习算法的强大工具，广泛用于回归和分类分析。它是循环神经网络的变体之一，能够解决一般循环神经网络在长序列回归上的梯度爆炸和梯度消失问题。LSTM由一个输入层、一个隐藏层和一个输出层组成，如图3所示。本实施例主要利用LSTM的隐层编码能力提取128个特征的综合隐层表征。在尺寸为8×8×128的数据输入到LSTM之前，需要变形成为64×128，代表128个64维的特征，再输入到LSTM中，将最终的隐层表达作为输出。
因此，在t时刻，LSTM有三个输入：当前时刻网络的输入值xt，上一时刻网络的短期状态ht-1和上一时刻的长期状态ct-1。LSTM用两个门来控制长期状态c的内容：一个是遗忘门，它决定了上一时刻的长期状态有多少保留到当前时刻；另一个是输入门，它决定了当前时刻网络的输入有多少保存到长期状态。LSTM用输出门来控制长期状态c有多少输出到LSTM的当前输出值。
遗忘门ft、输入门it、当前输入的长期状态c′t、当前时刻的长期状态ct和输出门ot的计算方法分为如下：
ft＝σ(Wf[ht-1,xt]+bf)
上式中，Wf为遗忘门的权重矩阵；[ht-1,xt]表示把两个向量连接成一个更长的向量；bf为遗忘门的偏置项；σ为激活函数Sigmoid函数。
it＝σ(Wi[ht-1,xt]+bi)
上式中，Wi为输入门的权重矩阵；bi为输入门的偏置项。
c′t＝tanh(Wc[ht-1,xt]+bc)
上式中，tanh为激活函数；Wc为当前输入的长期状态的权重矩阵；bc为Wc的偏置项。
ct＝ft·ct-1+it·c′t
经过上述运算，LSTM将关于当前的记忆状态c′t和长期记忆状态ct-1组合在一起形成了新的长期状态ct。在遗忘门和输入门的控制下，该状态既可以保存长时间序列的信息，又能避免当前无关紧要的信息进入记忆中。
ot＝σ(Wo[ht-1,xt]+bo)
上式中，Wo为输出门的权重矩阵；bo为Wo的偏置项。
LSTM的最终输出ht由输出门ot和长期状态ct共同决定，即
ht＝ot·tanh(ct)。
步骤五：利用全连接层将LSTM神经网络输出的数据映射到负无穷至正无穷范围，而后利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。具体的，特征值通过Softmax函数将多分类的输出值转换为范围在[0,1]上且和为1的概率分布，可得到配对轴承是否符合要求的概率，以此判断该配对轴承合格与否。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (7)

1.一种基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：包括如下步骤：
步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M；
步骤二：对采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据；
步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块以防止过拟合或梯度消失，并在残差块后设有SE注意力模块对通道间关系实现显式建模，通过生成的注意力图对特征进行重校准；
步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配对轴承的型号特征；
步骤五：利用全连接层将LSTM神经网络输出的数据映射到负无穷至正无穷范围，而后利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。
2.根据权利要求1所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：所述步骤二中，采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换为尺寸为32×32×3的二维数据。
3.根据权利要求2所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：所述步骤三中，数据经残差块进行两次3×3的卷积后，输出的结果与两次卷积前的数据直接映射相加，为：
xl+1＝xl+F(xl,Wl)
其中，xl+1表示第l+1层的特征输入；F表示第l层的残差函数映射；xl表示第l层的特征输入；Wl表示第l层的参数。
4.根据权利要求3所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：数据进入SE注意力模块后，先进行压缩操作，而后进行激励操作；
压缩操作时，沿空间维度来进行特征压缩，将每个二维的特征通道变作一个实数z，所述实数z具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，可表示为：
Figure FDA0003655686970000011
其中，zC∈RC是对特征U在空间维度H×W执行全局平均池化后的结果；Fsq表示特征压缩函数；uC表示通道特征映射的卷积和，其尺寸为H×W×C；H表示特征U的长度；W表示特征U的宽度；i表示特征对应的行；j表示特征对应的列；
激励操作时，通过参数W来为每个特征通道生成权重，其中参数W被学习用来显式地建模特征通道间的相关性，经过两个全连接层后，得到两个参数W1、W2，表示为：
s＝Fex(z,W)＝σ(W2δ(W1z))
其中，σ表示Sigmoid函数；δ表示ReLU函数，
Figure FDA0003655686970000021
r为超参数；s表示门控机制的输出；Fex表示激励操作函数；z表示上一步特征压缩操作的输出值。
5.根据权利要求4所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：将输出的权重通过乘法逐通道加权到先前的特征上，——对U每个位置上的H×W上的值都乘上对应通道的权值，完成在通道维度上的对原始特征的重校准，可表示为：
Figure FDA0003655686970000022
最终得到SE注意力模块的最终输出为：
Figure FDA0003655686970000023
其中，
Figure FDA0003655686970000024
表示第C个通道输出的特征值；Fscale表示重标定函数；uC表示尺寸为H×W的特征映射；sC表示第C个通道的门控机制的输出；
Figure FDA0003655686970000025
表示最终输出特征；
Figure FDA0003655686970000026
表示第i个通道输出的特征值；U表示转换输出特征。
6.根据权利要求5所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：数据经残差块和SE注意力模块堆叠两次后，每层卷积核尺寸为3×3尺寸，输出数据的尺寸为8×8×128。
7.根据权利要求6所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：将经图卷积神经网络输出的数据变形为尺寸为64×128的数据后，再输入到LSTM神经网络。
CN202210558338.3A 2022-05-21 2022-05-21 基于注意力lstm的配对轴承智能质量识别方法 Active CN114881086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210558338.3A CN114881086B (zh) 2022-05-21 2022-05-21 基于注意力lstm的配对轴承智能质量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210558338.3A CN114881086B (zh) 2022-05-21 2022-05-21 基于注意力lstm的配对轴承智能质量识别方法

Publications (2)

Publication Number Publication Date
CN114881086A true CN114881086A (zh) 2022-08-09
CN114881086B CN114881086B (zh) 2023-08-11

Family

ID=82677294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210558338.3A Active CN114881086B (zh) 2022-05-21 2022-05-21 基于注意力lstm的配对轴承智能质量识别方法

Country Status (1)

Country Link
CN (1) CN114881086B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112284736A (zh) * 2020-10-23 2021-01-29 天津大学 一种基于多通道注意力模块的卷积神经网络故障诊断方法
CN112418014A (zh) * 2020-11-09 2021-02-26 南京信息工程大学滨江学院 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112747924A (zh) * 2020-12-11 2021-05-04 南京航空航天大学 一种基于注意力机制和残差神经网络的轴承寿命预测方法
CN112907523A (zh) * 2021-02-04 2021-06-04 中山大学 一种基于轻量化网络的工业产品表面缺陷检测方法
US20210248421A1 (en) * 2020-02-06 2021-08-12 Shenzhen Malong Technologies Co., Ltd. Channel interaction networks for image categorization
CN114241469A (zh) * 2021-12-23 2022-03-25 广东工业大学 一种面向电表轮换过程的信息识别方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210248421A1 (en) * 2020-02-06 2021-08-12 Shenzhen Malong Technologies Co., Ltd. Channel interaction networks for image categorization
CN112284736A (zh) * 2020-10-23 2021-01-29 天津大学 一种基于多通道注意力模块的卷积神经网络故障诊断方法
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112418014A (zh) * 2020-11-09 2021-02-26 南京信息工程大学滨江学院 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法
CN112747924A (zh) * 2020-12-11 2021-05-04 南京航空航天大学 一种基于注意力机制和残差神经网络的轴承寿命预测方法
CN112907523A (zh) * 2021-02-04 2021-06-04 中山大学 一种基于轻量化网络的工业产品表面缺陷检测方法
CN114241469A (zh) * 2021-12-23 2022-03-25 广东工业大学 一种面向电表轮换过程的信息识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王磊 等: "基于 DRSN-CW 和 LSTM 的轴承故障诊断", 电子科技大学学报, vol. 51, no. 6 *
邓佳林;邹益胜;张笑璐;蒋雨良;张利斌;: "一种改进CNN在轴承故障诊断中的应用", 现代制造工程, no. 04 *

Also Published As

Publication number Publication date
CN114881086B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN112577747B (zh) 一种基于空间池化网络的滚动轴承故障诊断方法
Zhang et al. Fault diagnosis of rotating machinery based on recurrent neural networks
Li et al. Intelligent fault diagnosis of rolling bearings under imbalanced data conditions using attention-based deep learning method
Cheng et al. A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings
CN108344564B (zh) 一种基于深度学习的主轴特性试验台状态识别及预测方法
Xia et al. Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks
Moosavian et al. Comparison of two classifiers; K-nearest neighbor and artificial neural network, for fault diagnosis on a main engine journal-bearing
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
An et al. Options for Prognostics Methods: A review of data-driven and physics-based prognostics
Shi et al. Fault diagnosis in a hydraulic directional valve using a two-stage multi-sensor information fusion
CN113392881B (zh) 一种基于迁移学习的旋转机械故障诊断方法
Ravikumar et al. Fault diagnosis of self-aligning troughing rollers in belt conveyor system using k-star algorithm
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111289250A (zh) 一种伺服电机滚动轴承剩余使用寿命预测方法
CN116738868B (zh) 一种滚动轴承剩余寿命预测方法
CN113919220A (zh) 一种振动图像驱动的滚动轴承智能故障诊断方法
CN115046766A (zh) 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法
Rajput et al. Fault prediction using fuzzy convolution neural network on IoT environment with heterogeneous sensing data fusion
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
CN114444582A (zh) 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
CN113887342A (zh) 基于多源信号和深度学习的设备故障诊断方法
Ge et al. An improved PF remaining useful life prediction method based on quantum genetics and LSTM
Liu et al. Infrared image combined with cnn based fault diagnosis for rotating machinery
CN114372492A (zh) 一种可解释性滚动轴承故障诊断方法
Xia et al. Collaborative and conditional deep adversarial network for intelligent bearing fault diagnosis

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
GR01 Patent grant
GR01 Patent grant