CN116256174A - 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 - Google Patents
基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 Download PDFInfo
- Publication number
- CN116256174A CN116256174A CN202310435252.6A CN202310435252A CN116256174A CN 116256174 A CN116256174 A CN 116256174A CN 202310435252 A CN202310435252 A CN 202310435252A CN 116256174 A CN116256174 A CN 116256174A
- Authority
- CN
- China
- Prior art keywords
- layer
- wavelet
- fault
- convolution
- attention
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000001133 acceleration Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 54
- 230000010354 integration Effects 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 6
- 238000007373 indentation Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
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
- G01M13/045—Acoustic or vibration analysis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法，先采集轴承的振动信号，再对振动信号进行预处理构建出训练数据集；接着构建并训练多层小波注意力卷积神经网络模型，使多层小波注意力卷积神经网络模型收敛；最后利用多层小波注意力卷积神经网络模型对实时采集的加速度振动信号进行故障识别。
Description
技术领域
本发明属于机械故障诊断技术领域，更为具体地讲，涉及一种基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法。
背景技术
现代机械设备通常运行于复杂恶劣环境下，例如高速列车、航空发动机。这对机械系统的可靠性和安全性提出了更高的要求，然而机械系统的核心部件在长时间运行过程中，将不可避免的出现疲劳退化，引发功能性故障。这些故障的发生将导致不可预知的严重后果，例如高速列车车轮的过度磨损将可能导致列车出轨事故，航空发动机的轴承故障将可能导致发动机突发性停机引发坠机事故。
机械系统的运行状态和健康状态监测，可以及时预测故障的发生和识别故障类型。因此，为保障机械系统的正常运行，对机械系统关键部件的健康状态进行实时监测是非常必要的。
基于振动信号分析的机械状态监测是目前的主流技术。然而，传感器收集的信号包含大量的噪声，这给信号分析带来了挑战。这是因为机械设备是一个由多个部件组成的复杂系统，由其他因素引起的冲击和振动会在不同的部件之间传递。此外，机械系统也面临着来自外界的干扰。在故障的初始阶段，故障特征信息薄弱，容易被噪声淹没，难以检测到。为了应对这些挑战，基于深度学习的智能诊断技术越来越受到学术界和工业界的关注。深度学习的优点是，它可以从大数据集中学习到一组良好的故障相关特征，并能够自动诊断机械设备的健康状态。
近年来，多种深度学习算法被广泛研究，并应用于轴承故障诊断。特别的，卷积神经网络在众多深度学习模型中脱颖而出，在多种机械状态监测应用场景下取得了最先进的表现。虽然卷积神经网络(Convolutional Neural Network,CNN)在许多任务中都取得了良好的表现，但它仍然存在以下问题：
1)、糟糕的频域学习能力。CNN主要由有限滤波器组成，在随机初始条件下通过随机梯度下降算法进行学习。与小波变换等方法相比，CNN在信号处理方面相当粗糙，这种粗糙的方法需要大量的参数才能获得足够的特征表达能力。
2)、噪声鲁棒性差。CNN容易受到噪声的影响，在实际应用中，噪声是不可避免的，会掩盖信号的有价值信息，导致算法过拟合无效特征。
3)、可解释性差。CNN仍然被当做一个黑箱模型在使用，但是将模型应用于实际工业中时，了解一个算法是如何学习或者学习了什么变得十分重要。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法，基于离散小波变换(Discrete Wavelet Transform,DWT)驱动的CNN架构设计方案用于机械状态监测，提高了CNN模型的故障诊断性能。
为实现上述发明目的，本发明一种基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法，其特征在于，包括以下步骤：
(1)、采集轴承的振动信号；
在第k种故障类别下采集轴承的振动信号数据集
其中，
表示第m个加速度传感器采集到的加速度振动信号，/>
表示第m个加速度传感器在t时刻实时采集的加速度振动信号数据，M表示加速度传感器的数量，T表示振动信号的长度，k＝1,2,…,K，K表示故障类别编号总数；
(2)、振动信号的预处理；
通过滑动窗口将每一个加速度传感器采集到的振动信号划分成多个子信号样本，再通过z-score标准化方法对各个子信号样本进行标准化处理；
(3)、构建训练数据集；
将标准化处理后的每一个子信号样本作为训练数据，每一个子信号样本对应的故障类别作为真实故障标签，训练数据与真实故障标签构成训练数据集；
(4)、构建多层小波注意力卷积神经网络；
多层小波注意力卷积神经网络包括卷积层、全连接层以及小波变换集成层组成；其中，小波变换集成层设置为6层，每一层小波变换集成层的结构及功能完全相同，每一层小波变换集成层包含了串联连接的基于DWT驱动的频率分解层与基于注意力机制的特征学习层；在相邻两层小波变换集成层之间串联一层卷积层，在最后一层小波变换集成层输出端依次连接卷积层和全连接层；
所述卷积层设置为6层，每一层卷积层的结构及功能完全相同，卷积层的卷积核尺寸设为3×3，步长设定为2，激活函数选用Leaky ReLU，其的参数r设为0.5；
(5)、训练多层小波注意力卷积神经网络；
(5.1)、设置最大迭代次数为EPOCH，初始化当前迭代次数epoch＝1；给定期望的模型训练误差为τ；
(5.2)、从训练数据集中抽取一个子信号样本作为单批次的训练数据；
那么，在第epoch次迭代中，子信号样本及对应的真实故障标签输入至多层小波注意力卷积神经网络，通过第一层小波变换集成层中的基于DWT驱动的频率分解层进行离散小波分解，得到低频特征图和高频特征图；然后将低频特征图和高频特征图按照通道进行拼接成一个整体，构成混合特征图，其中，混合特征图的通道数为输入得到训练数据的两倍，输出混合特征图的特征信号长度为输入的训练数据的一半；
混合特征图通过第一层小波变换集成层中的基于注意力机制的特征学习层进行特征提取，特征提取的具体过程为：混合特征图先通过全局平均池化层进行全局信息压缩，得到通道表征向量，再通过编码和解码网络获取通道表征向量的权重，然后采用矩阵乘法将权重嵌入到基于注意力机制的特征学习层，从而对通道表征向量进行加权平均，得到输出特征图；然后将提取的特征图通过第一卷积层进行下采样，然后输入至第二层小波变换集成层进行离散小波分解与特征学习操作，并以此类推；最后通过全连接层输出训练数据对应的故障属于某一类别的概率值；
(5.3)、计算损失函数值：
其中，
表示第m个加速度传感器采集到的加速度振动信号对应于第k种故障类别的实际概率，/>
表示第m个加速度传感器采集到的加速度振动信号对应于第k种故障类别的预测概率；
(5.4)、判断当前迭代次数epoch＝EPOCH或者loss＜τ，若满足，则停止迭代训练，得到训练好的多层小波注意力卷积神经网络模型，损失值loss通过反向传播算法更新多层小波注意力卷积神经网络模型，然后进行下一轮训练；
(6)、故障实时诊断；
实时采集故障轴承的加速度振动信号，然后输入至训练完成的多层小波注意力卷积神经网络，从而输出对应的故障类别。
本发明的发明目的是这样实现的：
本发明基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法，先采集轴承的振动信号，再对振动信号进行预处理构建出训练数据集；接着构建并训练多层小波注意力卷积神经网络模型，使多层小波注意力卷积神经网络模型收敛；最后利用多层小波注意力卷积神经网络模型对实时采集的加速度振动信号进行故障识别。
同时，本发明基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法还具有以下有益效果：
(1)、本发明将诊断模型的特征学习空间扩展到小波域空间，这促使模型可以从小波域空间分析信号的特性，并捕获有价值的信息。
(2)、本发明设计了一种小波变换集成层，该层具备两个特性，1)利用DWT将时域空间映射到小波域空间，2)提出了一种学习有价值的频域信息的注意力机制；另外小波变换集成层可以嵌入到深度学习模型的任意位置，共同参与模型训练和梯度更新。
(3)、本发明通过交替使用小波变换集成层和卷积层进行信号分解和特征学习，增大了模型的特征学习能力。
(4)、本发明在数据集上进行了验证，实验结果表明，该方法显著提高了CNN模型的轴承故障诊断性能，多层小波注意力卷积神经网络具有良好的可解释性和较好的实际应用潜力。
附图说明
图1是本发明基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法流程图；
图2为HSA轴承信号采集测试台；
图3为多层小波注意力卷积神经网络结构
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法流程图。
在本实施例中，如图1所示，本发明一种基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法，包括以下步骤：
S1、采集轴承的振动信号；
在本实施例中，以HSA轴承信号采集测试台磨损为例，轴承试验台装置如图2所示，主要由一个高速主轴组成，用于驱动轴的旋转。如图2所示，在A1和A2处安装了三轴IEPE加速度计，采样频率设置为51200Hz。这些轴承的内环(B1、B2、B3)连接到一个非常短的尖头空心轴，专门设计的速度高达35,000rpm。如表1所示，在收集信号时，在B1轴承上设置了7个健康状态。总共有一个健康状态和六个失败状态。故障主要有两种类型：内圈故障和滚动体故障。这两种故障分别有三种不同的故障大小，其故障直径分别为150μm、250μm和450μm。实验采用HSA轴承，因此实验是在不同的负载和速度下进行。详见表1，其中100Hz对应6000rpm。
通过采集不同故障下的轴承振动信号数据集
其中，
表示第m个加速度传感器采集到的加速度振动信号，/>
表示第m个加速度传感器在t时刻实时采集的加速度振动信号数据，M表示加速度传感器的数量，T表示振动信号的长度，k＝1,2,…,K，K表示故障类别编号总数；在本实施例中，加速度振动信号的长度被设置为4096×1，共获得22134个样本。
表1是HSA承载数据集信息表；
| 缺陷类型 | 尺寸 | 负载 | 速度 | 标签 |
| 无缺陷 | - | 0N-1800N | 100Hz-500Hz | F1 |
| 内圈压痕直径 | 450μm | 0N-1800N | 100Hz-500Hz | F2 |
| 内圈压痕直径 | 250μm | 0N-1800N | 100Hz-500Hz | F3 |
| 内圈压痕直径 | 150μm | 0N-1800N | 100Hz-500Hz | F4 |
| 滚动体压痕直径 | 450μm | 0N-1800N | 100Hz-500Hz | F5 |
| 滚动体压痕直径 | 250μm | 0N-1800N | 100Hz-500Hz | F6 |
| 滚动体压痕直径 | 150μm | 0N-1800N | 100Hz-500Hz | F7 |
S2、振动信号的预处理；
通过滑动窗口将每一个加速度传感器采集到的振动信号划分成多个子信号样本，再通过z-score标准化方法对各个子信号样本进行标准化处理；
S3、构建训练数据集；
将标准化处理后的每一个子信号样本作为训练数据，每一个子信号样本对应的故障类别作为真实故障标签，训练数据与真实故障标签构成训练数据集；
S4、构建多层小波注意力卷积神经网络MWA-CNN；
如图3所示，多层小波注意力卷积神经网络包括卷积层、全连接层以及小波变换集成层组成；其中，小波变换集成层设置为6层，每一层小波变换集成层的结构及功能完全相同，每一层小波变换集成层包含了串联连接的基于DWT驱动的频率分解层与基于注意力机制的特征学习层；在相邻两层小波变换集成层之间串联一层卷积层，在最后一层小波变换集成层输出端依次连接卷积层和全连接层；
所述卷积层设置为6层，每一层卷积层的结构及功能完全相同，卷积层的卷积核尺寸设为3×3，步长设定为2，激活函数选用Leaky ReLU，其的参数r设为0.5；
S5、训练多层小波注意力卷积神经网络；
S5.1、设置最大迭代次数为EPOCH，初始化当前迭代次数epoch＝1；给定期望的模型训练误差为τ；
S5.2、从训练数据集中抽取一个子信号样本作为单批次的训练数据；
那么，在第epoch次迭代中，子信号样本及对应的真实故障标签输入至多层小波注意力卷积神经网络，通过第一层小波变换集成层中的基于DWT驱动的频率分解层进行离散小波分解，得到低频特征图和高频特征图；然后将低频特征图和高频特征图按照通道进行拼接成一个整体，构成混合特征图，其中，混合特征图的通道数为输入得到训练数据的两倍，输出混合特征图的特征信号长度为输入的训练数据的一半；
混合特征图通过第一层小波变换集成层中的基于注意力机制的特征学习层进行特征提取，特征提取的具体过程为：混合特征图先通过全局平均池化层进行全局信息压缩，得到通道表征向量，再通过编码和解码网络获取通道表征向量的权重，然后采用矩阵乘法将权重嵌入到基于注意力机制的特征学习层，从而对通道表征向量进行加权平均，得到特征图；然后将提取的特征图通过第一卷积层进行下采样，然后输入至第二层小波变换集成层进行离散小波分解与特征学习操作，并以此类推；最后通过全连接层输出训练数据对应的故障属于某一类别的概率值；
S5.3、计算损失函数值：
其中，
表示第m个加速度传感器采集到的加速度振动信号对应于第k种故障类别的实际概率，/>
表示第m个加速度传感器采集到的加速度振动信号对应于第k种故障类别的预测概率；
S5.4、判断当前迭代次数epoch＝EPOCH或者loss＜τ，若满足，则停止迭代训练，得到训练好的多层小波注意力卷积神经网络模型，损失值loss通过反向传播算法更新多层小波注意力卷积神经网络模型，然后进行下一轮训练；
S6、故障实时诊断；
实时采集故障轴承的加速度振动信号，然后输入至训练完成的多层小波注意力卷积神经网络，从而输出对应的故障类别。
最后为了对本发明的有效性进行讨论。本次试验对比了4种不同的网络架构。1DCNN:该架构仅采用6层卷积层和一个带有GAP的分类层，其卷积层和分类层的参数配置与MWA-CNN一样。W-CNN:该架构在1DCNN之前添加了一个DW-Layer.MW-CNN:该架构基本配置与MWA-CNN一致，但是去掉了所有的注意力模块。MWA-CNN：本发明所提多层小波注意力卷积神经网络。为了说明这些方法在噪声情况下的表现，表2展示了它们在4dB,0dB，-2dB和-4dB下的实验结果。以上4种方法都是在同一实验环境下进行训练和测试
表2 1DCNN、W-CNN、MW-CNN和MWA-CNN在四种噪声作用下的实验结果；
| 噪声 | 1DCNN | W-CNN | MW-CNN | MWA-CNN |
| 4dB | 91.16±0.32 | 91.41±0.96 | 95.08±0.46 | 98.75±0.20 |
| 0dB | 78.54±0.29 | 79.28±0.48 | 88.28±0.83 | 96.48±0.20 |
| -2dB | 65.04±1.61 | 68.45±0.73 | 80.66±0.33 | 93.62±0.38 |
| -4dB | 50.38±0.64 | 54.01±1.31 | 70.66±1.10 | 87.61±0.85 |
如表2，1DCNN虽然在没有噪声或噪声较少时获得了较高的准确率，但是在噪声较强时，普通CNN模型的性能会大幅度的下降。当在1DCNN之前添加一个DW-Layer后，模型在4种噪声下的性能均有些许的提升。这说明对信号进行DWT是有助于CNN模型去获得更好的表现的。更进一步的，在1DCNN模型中加入多层小波变换，即MW-CNN。此时，MW-CNN的诊断性能相比1DCNN和W-CNN有了很大的提升。然后，尝试利用CNN模型自学习的特性，引入注意力机制，从而自动的选择有用的频率分量信息。最终，MWA-CNN被提出。MWA-CNN展示了优秀的故障诊断性能。这说明利用注意力使CNN模型聚焦于有用的特征信息并忽略无关的信息(如噪声)，可以极大的提升CNN模型的抗干扰能力。
然后，将所提出的算法与前沿的深度学习算法进行对比。这5种深度学习算法分别是MA1DCNN,WenCNN,ResNet-18,VGG-16和LSTM。MA1DCNN由多种联合注意力模块和卷积层组成，其可以从通道域是时域对特征进行优化。WenCNN将时域信号转换成二维图像，然后采用2维CNN提取图像中的特征信息，从而完成故障诊断。ResNet-18和VGG-16是用于图像识别的两种经典的网络架构，此处将其2D卷积修改成1D卷积，以用于机械故障诊断。LSTM是一种优秀的网络模型，其具有优秀的长时间特征学习能力。这些方法均采用一致的训练策略，其4种噪声情况下的实验结果如表3所示。MWA-CNN在4种噪声情况下均获得的最好的表现。这说明MWA-CNN利用离散小波注意力层对信号进行分解，从而更便捷的从信号中获取有用的故障特征，进而获得优秀的诊断性能。
表3 1DCNN、W-CNN、MW-CNN和MWA-CNN在四种噪声作用下的实验结果；
| Noise | MWA-CNN | MA1DCNN | WenCNN | ResNet-18 | VGG-16 | LSTM |
| 4dB | 98.75±0.20 | 94.06±0.77 | 90.44±0.96 | 85.31±0.67 | 91.55±0.48 | 87.23±0.23 |
| 0dB | 96.48±0.20 | 84.11±0.90 | 78.91±0.76 | 63.58±0.56 | 79.18±0.42 | 74.59±1.02 |
| -2dB | 93.62±0.38 | 76.72±0.89 | 72.10±0.54 | 48.06±1.03 | 65.50±0.82 | 63.43±2.28 |
| -4dB | 87.61±0.85 | 64.81±1.13 | 61.18±2.06 | 38.50±0.87 | 48.61±1.45 | 57.28±0.93 |
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法，其特征在于，包括以下步骤：
(1)、采集轴承的振动信号；
在第k种故障类别下采集轴承的振动信号数据集
其中，
表示第m个加速度传感器采集到的加速度振动信号，/>
表示第m个加速度传感器在t时刻实时采集的加速度振动信号数据，M表示加速度传感器的数量，T表示振动信号的长度，k＝1,2,…,K，K表示故障类别编号总数；
(2)、振动信号的预处理；
通过滑动窗口将每一个加速度传感器采集到的振动信号划分成多个子信号样本，再通过z-score标准化方法对各个子信号样本进行标准化处理；
(3)、构建训练数据集；
将标准化处理后的每一个子信号样本作为训练数据，每一个子信号样本对应的故障类别作为真实故障标签，训练数据与真实故障标签构成训练数据集；
(4)、构建多层小波注意力卷积神经网络；
多层小波注意力卷积神经网络包括卷积层、全连接层以及小波变换集成层组成；其中，小波变换集成层设置为6层，每一层小波变换集成层的结构及功能完全相同，每一层小波变换集成层包含了串联连接的基于DWT驱动的频率分解层与基于注意力机制的特征学习层；在相邻两层小波变换集成层之间串联一层卷积层，在最后一层小波变换集成层输出端依次连接卷积层和全连接层；
所述卷积层设置为6层，每一层卷积层的结构及功能完全相同，卷积层的卷积核尺寸设为3×3，步长设定为2，激活函数选用Leaky ReLU，其的参数r设为0.5；
(5)、训练多层小波注意力卷积神经网络；
(5.1)、设置最大迭代次数为EPOCH，初始化当前迭代次数epoch＝1；给定期望的模型训练误差为τ；
(5.2)、从训练数据集中抽取一个子信号样本作为单批次的训练数据；
那么，在第epoch次迭代中，子信号样本及对应的真实故障标签输入至多层小波注意力卷积神经网络，通过第一层小波变换集成层中的基于DWT驱动的频率分解层进行离散小波分解，得到低频特征图和高频特征图；然后将低频特征图和高频特征图按照通道进行拼接成一个整体，构成混合特征图，其中，混合特征图的通道数为输入得到训练数据的两倍，输出混合特征图的特征信号长度为输入的训练数据的一半；
混合特征图通过第一层小波变换集成层中的基于注意力机制的特征学习层进行特征提取，特征提取的具体过程为：混合特征图先通过全局平均池化层进行全局信息压缩，得到通道表征向量，再通过编码和解码网络获取通道表征向量的权重，然后采用矩阵乘法将权重嵌入到基于注意力机制的特征学习层，从而对通道表征向量进行加权平均，得到特征图；然后将提取的特征图通过第一卷积层进行下采样，然后输入至第二层小波变换集成层进行离散小波分解与特征学习操作，并以此类推；最后通过全连接层输出训练数据对应的故障属于某一类别的概率值；
(5.3)、计算损失函数值：
其中，
表示第m个加速度传感器采集到的加速度振动信号对应于第k种故障类别的实际概率，/>
表示第m个加速度传感器采集到的加速度振动信号对应于第k种故障类别的预测概率；
(5.4)、判断当前迭代次数epoch＝EPOCH或者loss＜τ，若满足，则停止迭代训练，得到训练好的多层小波注意力卷积神经网络模型，损失值loss通过反向传播算法更新多层小波注意力卷积神经网络模型，然后进行下一轮训练；
(6)、故障实时诊断；
实时采集故障轴承的加速度振动信号，然后输入至训练完成的多层小波注意力卷积神经网络，从而输出对应的故障类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310435252.6A CN116256174A (zh) | 2023-04-21 | 2023-04-21 | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310435252.6A CN116256174A (zh) | 2023-04-21 | 2023-04-21 | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116256174A true CN116256174A (zh) | 2023-06-13 |
Family
ID=86686384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310435252.6A Pending CN116256174A (zh) | 2023-04-21 | 2023-04-21 | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116256174A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776086A (zh) * | 2023-08-21 | 2023-09-19 | 太原重工股份有限公司 | 基于自注意力机制自编码器的信号故障判别方法及装置 |
| CN118114186A (zh) * | 2024-04-30 | 2024-05-31 | 青岛研博数据信息技术有限公司 | 一种基于人工智能的设备振动故障诊断方法 |
-
2023
- 2023-04-21 CN CN202310435252.6A patent/CN116256174A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776086A (zh) * | 2023-08-21 | 2023-09-19 | 太原重工股份有限公司 | 基于自注意力机制自编码器的信号故障判别方法及装置 |
| CN116776086B (zh) * | 2023-08-21 | 2023-11-28 | 太原重工股份有限公司 | 基于自注意力机制自编码器的信号故障判别方法及装置 |
| CN118114186A (zh) * | 2024-04-30 | 2024-05-31 | 青岛研博数据信息技术有限公司 | 一种基于人工智能的设备振动故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hoang et al. | Rolling element bearing fault diagnosis using convolutional neural network and vibration image | |
| Pan et al. | A novel deep learning network via multiscale inner product with locally connected feature extraction for intelligent fault detection | |
| CN109299705B (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
| CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN110672343A (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
| CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| Kaya et al. | A new automatic bearing fault size diagnosis using time-frequency images of CWT and deep transfer learning methods | |
| Wang et al. | Long-range dependencies learning based on non-local 1D-convolutional neural network for rolling bearing fault diagnosis | |
| CN111089720A (zh) | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 | |
| CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN116256174A (zh) | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 | |
| CN113112000B (zh) | 一种多层次卷积神经网络模型的构建方法及应用 | |
| CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN116380466A (zh) | 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统 | |
| CN117112991A (zh) | 一种基于改进深度残差收缩网络的轴承故障诊断方法 | |
| Dong et al. | Rolling bearing incipient degradation monitoring and performance assessment based on signal component tracking | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN114818825A (zh) | 基于卷积核多层分布残差网络的旋转机械故障诊断方法 | |
| CN113569989A (zh) | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 | |
| Weng et al. | An Improved Anti-Noise Network for Bearing Fault Diagnosis under Noisy Environment | |
| Kreuzer et al. | 1-d residual convolutional neural network coupled with data augmentation and regularization for the icphm 2023 data challenge |
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 |