CN117648611B - 机械装备的故障诊断方法 - Google Patents
机械装备的故障诊断方法 Download PDFInfo
- Publication number
- CN117648611B CN117648611B CN202410121691.4A CN202410121691A CN117648611B CN 117648611 B CN117648611 B CN 117648611B CN 202410121691 A CN202410121691 A CN 202410121691A CN 117648611 B CN117648611 B CN 117648611B
- Authority
- CN
- China
- Prior art keywords
- features
- local
- global
- fault diagnosis
- convolution
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002775 capsule Substances 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种机械装备的故障诊断方法，属于故障诊断技术领域。包括：双分支流形残差网络的一个分支对全局低级特征分别进行连续宽核卷积和空间全局信息描述，分别得到抽象全局特征和流形描述的全局信息后相加，得到全局综合特征；另一个分支对局部低级特征分别进行连续窄核卷积和空间局部信息描述，分别得到抽象局部特征和流形描述的局部信息后相加，得到局部综合特征；将全局综合特征和局部综合特征联接作为双分支流形残差网络的输出；将权重分配后的低级融合特征输入自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定故障诊断结果。本发明提取的特征更高级的同时，充分考虑了特征之间的关系，使得故障诊断结果的准确性大大提高。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种机械装备的故障诊断方法。
背景技术
随着机械装备和传感器智能化的发展，机械装备运行数据的数据量呈指数倍增长，研究智能故障诊断技术成为机械装备故障诊断的重要任务。人工智能作为智能故障诊断的常用工具，其中包含许多深度学习算法，这些深度学习算法可以有效地提取故障特征，并已经成功地应用于各类机械装备的故障诊断中，与其他传统故障诊断技术相比有更高的准确率。
然而，目前的深度学习算法在提取特征过程中，特征之间的关系信息难以获取，导致故障诊断结果准确性不高。
发明内容
为解决上述技术问题，本发明提供一种机械装备的故障诊断方法。本发明的技术方案如下：
一种机械装备的故障诊断方法，所述机械装备的故障诊断方法通过预先训练得到的机械装备的故障诊断模型实现，所述机械装备的故障诊断模型包括依次连接的第一卷积模块、双分支流形残差网络、第二卷积模块、通道注意力模块和自注意力输出胶囊网络，所述机械装备的故障诊断方法包括：
S1，获取机械装备的原始振动信号；
S2，通过第一卷积模块进行宽核卷积操作从原始振动信号中提取全局低级特征，通过第一卷积模块进行窄核卷积操作从原始振动信号中提取局部低级特征后，将全局低级特征和局部低级特征分别输入双分支流形残差网络的两个分支中；
S3，双分支流形残差网络的一个分支对全局低级特征分别进行连续宽核卷积和空间全局信息描述，分别得到抽象全局特征和流形描述的全局信息后相加，得到全局综合特征；双分支流形残差网络的另一个分支对局部低级特征分别进行连续窄核卷积和空间局部信息描述，分别得到抽象局部特征和流形描述的局部信息后相加，得到局部综合特征；将全局综合特征和局部综合特征联接，得到低级融合特征作为双分支流形残差网络的输出；
S4，通过第二卷积模块扩充低级融合特征的通道，并通过通道注意力模块对扩充通道后的低级融合特征进行具有注意力的权重分配，得到权重分配后的低级融合特征；
S5，将权重分配后的低级融合特征输入自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果。
可选地，所述S2中的宽核卷积操作和窄核卷积操作均表示为如下公式（1）：
（1）；
公式（1）中，表示第l+1层第m个神经元，σ表示激活函数，表示第l层第m
个神经元的第n个卷积核，Z表示卷积核的数量，表示第l层第m个神经元，表示第l层
第m个神经元的偏移项。
可选地，所述S3在对全局低级特征进行连续宽核卷积时，在每层宽核卷积后设置批量归一化操作。
可选地，所述S3在对局部低级特征进行连续窄核卷积时，在每层窄核卷积之后设置平均池化层进行平均池化操作。
可选地，所述S3在对全局低级特征进行空间全局信息描述时，使用Isomap模块实现，Isomap模块进行空间全局信息描述的方法表示为如下公式（2）：
（2）；
公式（2）中，Dijkstra(·)表示 Dijkstra算法，G表示无向近邻图；无向近邻图的数学表达式为公式（3）：
（3）；
公式（3）中，k-NN(·)表示k近邻算法，dE表示任意两数据点间的欧式距离。
可选地，所述S3在对局部低级特征进行空间局部信息描述时，使用LLE模块实现，LLE模块进行空间局部信息描述的方法表示为如下公式（4）：
（4）；
公式（4）中，I 表示单位矩阵，W 表示重构权重矩阵，重构权值矩阵由公式（5）中的目标函数迭代所得；
（5）；
公式（5）中，xp和xq分别表示输入样本p和q，wpq表示重构权重矩阵W中输入样本p和q形成的第p行第q列的元素。
可选地，所述S5在将权重分配后的低级融合特征输入预先训练好的自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果时，包括：
S51，通过自注意力输出胶囊网络中的卷积模块对权重分配后的低级融合特征进行进一步特征提取，得到细化特征；
S52，将细化特征重构成主胶囊层特征；
S53，通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征，将数字胶囊层特征作为高级特征；
S54，计算数字胶囊层特征中向量的模，根据计算结果确定机械装备的故障诊断结果。
可选地，所述S53在通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征时，通过如下公式（7）至公式（9）实现：
（7）；
（8）；
（9）；
公式（7）至公式（9）中，cj、uj和sj分别表示查询、键和值，softmax(·)表示权重分配函数，表示缩放因子，/>表示预测向量uj的维数，squash(·)表示激活函数，Output表示数字胶囊层特征。
可选地，在训练所述机械装备的故障诊断模型时，确定损失函数为全局-局部分布差异损失函数，所述全局-局部分布差异损失函数的表达式为公式（10）：
（10）；
公式（10）中，α、β和γ分别表示Lcross、LG和LL的正则参数，正则参数的范围是(0，1)且α+β+γ=1；
（11）；
公式（11）中，ns和 C 分别表示训练机械装备的故障诊断模型使用的源域的样本
个数和分类数，和分别表示源域第e个分类中第f 个样本的真实标签和预测标
签；
（12）；
（13）；
公式（12）和公式（13）中，nT表示训练机械装备的故障诊断模型所使用的目标域的
样本个数，Ф(·)表示高斯核映射，和分别表示双分支流形残差网络的
残差连接中使用 Isomap模块的源域和目标域的样本对空间全局信息的描述；和表示利用连续宽核卷积分别获得源域和目标域样本的抽象全局特征；和分别表示双分支流形残差网络的残差连接中使用 LLE 模块的源域和目标域的样本
对空间局部信息的描述，和表示利用连续窄核卷积分别获得源域和目标域
样本的抽象局部特征。
上述所有可选技术方案均可任意组合，本发明不对一一组合后的结构进行详细说明。
借由上述方案，本发明的有益效果如下：
通过双分支流形残差网络，对全局低级特征和局部低级特征进行连续宽核卷积和连续窄核卷积，分别获得抽象全局特征和抽象局部特征后，利用流形学习实现全局和局部的信息描述，并将流形描述的全局信息和局部信息分别作为残差项进入主干网络，使得提取的特征获得了包含流形空间几何信息的更抽象、更丰富的高级属性；通过设置自注意力输出胶囊网络，将自注意力机制应用到胶囊网络的动态路由算法中，使得胶囊特征的传递过程充分考虑了自身与其他胶囊特征之间的关系，使模型能够学习特征之间的关系。因此，通过本发明实施例提供的方法进行机械装备的故障诊断，提取的特征更高级的同时，充分考虑了特征之间的关系，使得故障诊断结果的准确性大大提高。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明中机械装备的故障诊断模型及其进行故障诊断的过程示意图。
图2是本发明中双分支流形残差网络进行特征提取的过程示意图。
图3是本发明S53中通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算的过程示意图、同时也是图1中A部的放大图和图4中B部的放大图。
图4是本发明训练机械装备的故障诊断模型的过程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明提供了一种机械装备的故障诊断方法，该机械装备的故障诊断方法可以通过任何具有计算、处理和存储功能的计算设备如PC、移动终端或服务器等来执行。本发明实施例中机械装备的故障诊断方法通过预先训练得到的机械装备的故障诊断模型实现，如图1所示，所述机械装备的故障诊断模型包括依次连接的第一卷积模块、双分支流形残差网络、第二卷积模块、通道注意力模块和自注意力输出胶囊网络，所述机械装备的故障诊断方法包括：
S1，获取机械装备的原始振动信号。
在获取机械装备的原始振动信号时，具体实现方法为：在机械装备上部署振动传感器，通过振动传感器采集机械装备运行过程中的原始振动信号后，发送至计算设备。其中，关于机械装备的类型，本发明实施例不作具体限定，例如机械装备为轴承等。
S2，通过第一卷积模块进行宽核卷积操作从原始振动信号中提取全局低级特征，通过第一卷积模块进行窄核卷积操作从原始振动信号中提取局部低级特征后，将全局低级特征和局部低级特征分别输入双分支流形残差网络的两个分支中。
可选地，所述S2中的宽核卷积操作和窄核卷积操作均表示为如下公式（1）：
（1）；
公式（1）中，表示第l+1层第m个神经元，σ表示激活函数，表示第l层第m
个神经元的第n个卷积核，Z表示卷积核的数量，表示第l层第m个神经元，表示第l层
第m个神经元的偏移项。
其中，卷积核的尺寸决定了提取特征的特点，如果卷积核尺寸较大，即宽内核卷积，可提取全局特征，反之，窄核卷积则可提取局部特征。
S3，双分支流形残差网络的一个分支对全局低级特征分别进行连续宽核卷积和空间全局信息描述，分别得到抽象全局特征和流形描述的全局信息后相加，得到全局综合特征；双分支流形残差网络的另一个分支对局部低级特征分别进行连续窄核卷积和空间局部信息描述，分别得到抽象局部特征和流形描述的局部信息后相加，得到局部综合特征；将全局综合特征和局部综合特征联接，得到低级融合特征作为双分支流形残差网络的输出。
其中，连续宽核卷积的特点是卷积核尺寸较大，卷积步长较大，可以减少参数量，提高计算效率，获得更为综合的特征。连续窄核卷积的特点是卷积核尺寸较小，卷积步长较小，可以捕捉到更多细节信息。
可选地，所述S3在对全局低级特征进行连续宽核卷积时，在每层宽核卷积后设置批量归一化操作。通过批量归一化操作，可以避免过拟合和梯度爆炸/消失等问题。进一步地，所述S3在对局部低级特征进行连续窄核卷积时，在每层窄核卷积之后设置平均池化层进行平均池化操作。通过平均池化操作，可以缓解窄核卷积带来的计算成本提高问题，降低特征维度的同时，提高计算效率。
具体地，所述S3在对全局低级特征进行空间全局信息描述时，使用Isomap模块实现，Isomap模块进行空间全局信息描述的方法表示为如下公式（2）：
（2）；
公式（2）中，Dijkstra(·)表示 Dijkstra算法，G表示无向近邻图；无向近邻图的数学表达式为公式（3）：
（3）；
公式（3）中，k-NN(·)表示k近邻算法，dE表示任意两数据点间的欧式距离，无向近邻图的连线由k近邻算法决定。
所述S3在对局部低级特征进行空间局部信息描述时，使用LLE模块实现，LLE模块进行空间局部信息描述的方法表示为如下公式（4）：
（4）；
公式（4）中，I 表示单位矩阵，W 表示重构权重矩阵，重构权值矩阵由公式（5）中的目标函数迭代所得；
（5）；
公式（5）中，xp和xq分别表示输入样本p和q，wpq表示重构权重矩阵W中输入样本p和q形成的第p行第q列的元素。
综上，如图2所示，本发明实施例中的双分支流形残差网络在进行特征提取时，将Isomap模块和LLE模块作为流形描述的描述块，添加进残差结构的恒等连接中。同时，在残差结构的主路中进行一系列卷积、归一化和池化等操作，确保可以从原始振动信号中提取更为抽象的特征。接着，利用残差网络的恒等连接机制，将流形描述的全局和局部信息与卷积操作得到的抽象特征相加，使网络获得更加完整丰富的特征。最后，输出从流形残差网络中获得的全局综合特征和局部综合特征的组合：（6）， 公式（6）中，FG和FL分别表示连续宽核卷积得到的抽象全局特征和连续窄核卷积得到的抽象局部特征。其中，流形学习是一种非线性降维技术，本质是在高维数据中学习数据的低维流形结构，并且尽可能多的保留原始数据中的重要特征，降低损失。
S4，通过第二卷积模块扩充低级融合特征的通道，并通过通道注意力模块对扩充通道后的低级融合特征进行具有注意力的权重分配，得到权重分配后的低级融合特征。
其中，通过第二卷积模块扩充通道和通过通道注意力模块对特征进行具有注意力的权重分配的具体实现方式，可以参见现有的实现方式，本发明实施例对此不作详细阐述。
S5，将权重分配后的低级融合特征输入自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果。
可选地，所述S5在具体实现时，可以通过如下步骤S51至S54来实现：
S51，通过自注意力输出胶囊网络中的卷积模块对权重分配后的低级融合特征进行进一步特征提取，得到细化特征。
具体在进一步特征提取时，通过自注意力输出胶囊网络中卷积模块的卷积操作来实现。
S52，将细化特征重构成主胶囊层特征。
具体地，该步骤的重构过程为将细化特征从张量到向量的转变过程，本发明实施例对此不作详细阐述。
S53，通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征，将数字胶囊层特征作为高级特征。
本发明实施例中的自注意力输出胶囊网络，通过将自注意力机制引入胶囊神经网络的动态路由算法中，获得具有自注意力机制的动态路由算法（SA-DR），其参数传递过程如图3所示。
具体地，所述S53在通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征时，通过如下公式（7）至公式（9）实现：
（7）；
（8）；
（9）；
公式（7）至公式（9）中，cj、uj和sj分别表示查询、键和值，softmax(·)表示权重分配函数，表示缩放因子，/>表示预测向量uj的维数，squash(·)表示激活函数，Output表示数字胶囊层特征。
通过在主胶囊层特征向数字胶囊层特征传递向量特征的过程中，使用了带有自注意力机制的动态路由算法，使得自注意力输出胶囊网络在向量特征传递过程中融入了胶囊间的关系特征。
S54，计算数字胶囊层特征中向量的模，根据计算结果确定机械装备的故障诊断结果。
具体地，可以通过范数计算数字胶囊层特征中向量的模。另外，数字胶囊层特征中向量的模表示各种类型的故障的概率，在根据计算结果确定机械装备的故障诊断结果时，选择概率最高的类别作为故障诊断结果。
需要说明的是，在执行本发明实施例提供的机械装备的故障诊断方法之前，需要先训练机械装备的故障诊断模型。本发明实施例在训练机械装备的故障诊断模型时，通过源域DS和一个目标域DT来实现。具体来说，，其中/>表示源域数据样本， />表示源域数据样本对应的标签信息，ns表示源域数据样本个数。DS表示原始振动数据和数据对应的故障类型标签。同理，/>，其中，表示目标域数据样本，/>表示目标域数据样本对应的标签信息，nT表示目标域数据样本个数。
在训述机械装备的故障诊断模型时，确定损失函数为全局-局部分布差异损失函数，所述全局-局部分布差异损失函数的表达式为公式（10）：
（10）；
公式（10）中，α、β和γ分别表示Lcross、LG和LL的正则参数，正则参数的范围是(0，1)且α+β+γ=1。
（11）；
公式（11）中，ns和 C 分别表示训练机械装备的故障诊断模型使用的源域的样本
个数和分类数，和分别表示源域第e个分类中第f 个样本的真实标签和预测标签。
Lcross采用交叉熵损失函数表示机械装备的故障诊断模型对于源域数据预测类别和实际类
别之间的差异。
由于目标域中的样本数据参与训练过程，因此分析源域与目标域之间的分布差异是很有必要的。最大均值差异 （MMD）是一种度量方式，常用于度量两个分布在再生希尔伯特空间中的距离差异。因此，本发明实施例采用MMD结构，提出LG表示源域和目标域的空间全局分布差异，LL表示源域和目标域的空间局部分布差异，其表达式如下：
（12）；
（13）；
公式（12）和公式（13）中，nT表示训练机械装备的故障诊断模型所使用的目标域的
样本个数，Ф(·)表示高斯核映射，和分别表示双分支流形残差网络的
残差连接中使用 Isomap模块的源域和目标域的样本对空间全局信息的描述；和表示利用连续宽核卷积分别获得源域和目标域样本的抽象全局特征；和分别表示双分支流形残差网络的残差连接中使用 LLE 模块的源域和目标域的样本
对空间局部信息的描述，和表示利用连续窄核卷积分别获得源域和目标域
样本的抽象局部特征。
本发明实施例在交叉熵损失函数的基础上加入LG和LL两项正则化约束项，防止模型训练过度拟合，提高模型的泛化能力和鲁棒性，并且加快模型收敛速度，使模型更快找到最优参数。同时，计算LG和LL正则化约束项的空间描述来自源域和目标域的数据，这使得模型在多次的迭代过程中，学习到了源域与目标域充分混淆后的特征，使得模型的迁移能力大大提升。
另外，第二卷积模块可以为1x1卷积模块。由于通过1x1卷积模块扩充通道，使特征更丰富。由于经1x1卷积模块后，通道数量激增，模型复杂度随之提高，所以本发明实施例又设置了通道注意力模块，对激增的通道进行具有注意力的权重分配，提高模型泛化能力，防止模型发生过拟合现象。
如图4所示，其为机械装备的故障诊断模型的训练过程示意图。
综上，本发明提供了一种基于双分支流形残差网络和改进的胶囊网络（自注意力输出胶囊网络）进行机械装备的故障诊断的方法，其中双分支流形残差网络提取低级特征，并将全局综合特征和局部综合特征进行融合。自注意力输出胶囊网络将来自双分支流行残差网络的低级特征进行进一步特征提取，使特征从低级胶囊层向高级胶囊层传递过程中以自身参数为向导，更充分地融入胶囊向量之间的关系信息。在模型训练的反向传播过程中，以全局-局部分布差异损失函数为收敛目标，由于LG和LL两项正则化约束项的参与，使模型抵抗过拟合能力增强，提高了模型的泛化能力，加快模型收敛，使模型更快找到最优参数。
本发明实施例提供的机械装备的故障诊断方法具有如下特点：
1、通过双分支流形残差网络，对全局低级特征和局部低级特征进行连续宽核卷积和连续窄核卷积，分别获得抽象全局特征和抽象局部特征。然后，利用流形学习实现全局和局部的信息描述。最后，流形描述的全局信息和分流形描述的局部信息分别作为残差项进入主干网络。这样，特征就获得了包含流形空间几何信息的更抽象、更丰富的高级属性。
2、本发明实施例提出了一种自注意力输出胶囊网络，将自注意力机制应用到胶囊网络的动态路由算法中，动态路由算法中胶囊向量的传递过程充分考虑了自身与其他胶囊向量之间的关系，使模型能够学习特征之间的关系。同时，自注意力机制被集成到网络中，并参与训练迭代，而不会产生额外的计算成本。
3、本发明实施例提出一种更详细描述分布差异的方法：全局-局部分布差异损失函数。与传统的分布差异度量方法相比，本发明实施例提出的损失函数可以将源域和目标域之间的分布差异细分为全局分布差异和局部分布差异，并且增加了参数优化约束，使模型训练过程中的收敛速度更快。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种机械装备的故障诊断方法，其特征在于，所述机械装备的故障诊断方法通过预先训练得到的机械装备的故障诊断模型实现，所述机械装备的故障诊断模型包括依次连接的第一卷积模块、双分支流形残差网络、第二卷积模块、通道注意力模块和自注意力输出胶囊网络，所述机械装备的故障诊断方法包括：
S1，获取机械装备的原始振动信号；
S2，通过第一卷积模块进行宽核卷积操作从原始振动信号中提取全局低级特征，通过第一卷积模块进行窄核卷积操作从原始振动信号中提取局部低级特征后，将全局低级特征和局部低级特征分别输入双分支流形残差网络的两个分支中；
S3，双分支流形残差网络的一个分支对全局低级特征分别进行连续宽核卷积和空间全局信息描述，分别得到抽象全局特征和流形描述的全局信息后相加，得到全局综合特征；双分支流形残差网络的另一个分支对局部低级特征分别进行连续窄核卷积和空间局部信息描述，分别得到抽象局部特征和流形描述的局部信息后相加，得到局部综合特征；将全局综合特征和局部综合特征联接，得到低级融合特征作为双分支流形残差网络的输出；
S4，通过第二卷积模块扩充低级融合特征的通道，并通过通道注意力模块对扩充通道后的低级融合特征进行具有注意力的权重分配，得到权重分配后的低级融合特征；
S5，将权重分配后的低级融合特征输入自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果；
所述S3在对全局低级特征进行空间全局信息描述时，使用Isomap模块实现，Isomap模块进行空间全局信息描述的方法表示为如下公式（2）：
（2）；
公式（2）中，Dijkstra(·)表示 Dijkstra算法，G表示无向近邻图；无向近邻图的数学表达式为公式（3）：
（3）；
公式（3）中，k-NN(·)表示k近邻算法，dE表示任意两数据点间的欧式距离；
S3在对局部低级特征进行空间局部信息描述时，使用LLE模块实现，LLE模块进行空间局部信息描述的方法表示为如下公式（4）：
（4）；
公式（4）中，I 表示单位矩阵，W 表示重构权重矩阵，重构权值矩阵由公式（5）中的目标函数迭代所得；
（5）；
公式（5）中，xp和xq分别表示输入样本p和q，wpq表示重构权重矩阵W中输入样本p和q形成的第p行第q列的元素。
2.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S2中的宽核卷积操作和窄核卷积操作均表示为如下公式（1）：
（1）；
公式（1）中，表示第l+1层第m个神经元，σ表示激活函数，/>表示第l层第m个神经元的第n个卷积核，Z表示卷积核的数量，/>表示第l层第m个神经元，/>表示第l层第m个神经元的偏移项。
3.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S3在对全局低级特征进行连续宽核卷积时，在每层宽核卷积后设置批量归一化操作。
4.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S3在对局部低级特征进行连续窄核卷积时，在每层窄核卷积之后设置平均池化层进行平均池化操作。
5.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，所述S5在将权重分配后的低级融合特征输入预先训练好的自注意力输出胶囊网络进行高级特征提取，并根据高级特征确定机械装备的故障诊断结果时，包括：
S51，通过自注意力输出胶囊网络中的卷积模块对权重分配后的低级融合特征进行进一步特征提取，得到细化特征；
S52，将细化特征重构成主胶囊层特征；
S53，通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征，将数字胶囊层特征作为高级特征；
S54，计算数字胶囊层特征中向量的模，根据计算结果确定机械装备的故障诊断结果。
6.根据权利要求5所述的机械装备的故障诊断方法，其特征在于，所述S53在通过具有自注意力机制的动态路由算法对主胶囊层特征进行计算，得到数字胶囊层特征时，通过如下公式（7）至公式（9）实现：
（7）；
（8）；
（9）；
公式（7）至公式（9）中，cj、uj和sj分别表示查询、键和值，softmax(·)表示权重分配函数，表示缩放因子，/>表示预测向量uj的维数，squash(·)表示激活函数，Output表示数字胶囊层特征。
7.根据权利要求1所述的机械装备的故障诊断方法，其特征在于，在训练所述机械装备的故障诊断模型时，确定损失函数为全局-局部分布差异损失函数，所述全局-局部分布差异损失函数的表达式为公式（10）：
（10）；
公式（10）中，α、β和γ分别表示Lcross、LG和LL的正则参数，正则参数的范围是(0，1)且α+β+γ=1；
（11）；
公式（11）中，ns和 C 分别表示训练机械装备的故障诊断模型使用的源域的样本个数和分类数，和/>分别表示源域第e个分类中第f 个样本的真实标签和预测标签；
（12）；
（13）；
公式（12）和公式（13）中，nT表示训练机械装备的故障诊断模型所使用的目标域的样本个数，Ф(·)表示高斯核映射，和/>分别表示双分支流形残差网络的残差连接中使用 Isomap模块的源域和目标域的样本对空间全局信息的描述；/>和表示利用连续宽核卷积分别获得源域和目标域样本的抽象全局特征；/>和分别表示双分支流形残差网络的残差连接中使用 LLE 模块的源域和目标域的样本对空间局部信息的描述，/>和/>表示利用连续窄核卷积分别获得源域和目标域样本的抽象局部特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121691.4A CN117648611B (zh) | 2024-01-30 | 2024-01-30 | 机械装备的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121691.4A CN117648611B (zh) | 2024-01-30 | 2024-01-30 | 机械装备的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648611A CN117648611A (zh) | 2024-03-05 |
| CN117648611B true CN117648611B (zh) | 2024-04-05 |
Family
ID=90045463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410121691.4A Active CN117648611B (zh) | 2024-01-30 | 2024-01-30 | 机械装备的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648611B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
| CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
| CN113569989A (zh) * | 2021-08-25 | 2021-10-29 | 浙江工业大学 | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 |
| CN114239641A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 |
| CN114429150A (zh) * | 2021-12-30 | 2022-05-03 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| WO2022112594A2 (en) * | 2020-11-30 | 2022-06-02 | Dolby International Ab | Robust intrusive perceptual audio quality assessment based on convolutional neural networks |
| CN116361723A (zh) * | 2023-02-16 | 2023-06-30 | 中国科学技术大学 | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 |
| CN116541772A (zh) * | 2023-05-05 | 2023-08-04 | 兰州理工大学 | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 |
| CN116560895A (zh) * | 2023-07-10 | 2023-08-08 | 太原理工大学 | 用于机械装备的故障诊断方法 |
| CN117030263A (zh) * | 2023-08-08 | 2023-11-10 | 安徽工业大学 | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 |
| CN117235490A (zh) * | 2023-02-10 | 2023-12-15 | 中国矿业大学 | 一种融合深度卷积和自注意力网络的故障自适应诊断方法 |
| CN117249996A (zh) * | 2023-11-10 | 2023-12-19 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
| CN117349708A (zh) * | 2023-11-06 | 2024-01-05 | 上海电机学院 | 一种基于浅层特征融合的电机故障智能诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10956578B2 (en) * | 2018-10-05 | 2021-03-23 | General Electric Company | Framework for determining resilient manifolds |
-
2024
- 2024-01-30 CN CN202410121691.4A patent/CN117648611B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
| WO2022112594A2 (en) * | 2020-11-30 | 2022-06-02 | Dolby International Ab | Robust intrusive perceptual audio quality assessment based on convolutional neural networks |
| CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
| CN113569989A (zh) * | 2021-08-25 | 2021-10-29 | 浙江工业大学 | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 |
| CN114239641A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 |
| CN114429150A (zh) * | 2021-12-30 | 2022-05-03 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| CN117235490A (zh) * | 2023-02-10 | 2023-12-15 | 中国矿业大学 | 一种融合深度卷积和自注意力网络的故障自适应诊断方法 |
| CN116361723A (zh) * | 2023-02-16 | 2023-06-30 | 中国科学技术大学 | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 |
| CN116541772A (zh) * | 2023-05-05 | 2023-08-04 | 兰州理工大学 | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 |
| CN116560895A (zh) * | 2023-07-10 | 2023-08-08 | 太原理工大学 | 用于机械装备的故障诊断方法 |
| CN117030263A (zh) * | 2023-08-08 | 2023-11-10 | 安徽工业大学 | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 |
| CN117349708A (zh) * | 2023-11-06 | 2024-01-05 | 上海电机学院 | 一种基于浅层特征融合的电机故障智能诊断方法 |
| CN117249996A (zh) * | 2023-11-10 | 2023-12-19 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| Nonlinear Dimensionality Reduction by Locally Linear Embedding;SAM T. ROWEIS等;《SCIENCE》;20001222;第290卷(第5500期);2323-2326 * |
| Supervised Manifold Learning Based on Multi-Feature Information Discriminative Fusion within an Adaptive Nearest Neighbor Strategy Applied to Rolling Bearing Fault Diagnosis;Hongwei Wang等;《Sensors》;20231214;第23卷(第24期);9820 * |
| Various dimension reduction techniques for high dimensional data analysis: a review;Papia Ray等;《Artificial Intelligence Review》;20210108;第54卷;3473–3515 * |
| 基于改进相似模型的采煤机轴承剩余寿命预测方法;李晓昆等;《工矿自动化》;20230531;第49卷(第05期);96-103 * |
| 基于深度学习的机械故障诊断方法研究;严淑敏;《万方数据》;20230715;1-74 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648611A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232232B (zh) | 一种目标检测方法 | |
| Yang et al. | A survey of DNN methods for blind image quality assessment | |
| CN113191215B (zh) | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 | |
| CN114529825B (zh) | 用于消防通道占用目标检测的目标检测模型、方法及应用 | |
| CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| Qu et al. | A multilevel encoder–decoder attention network for change detection in hyperspectral images | |
| CN109743642B (zh) | 基于分层循环神经网络的视频摘要生成方法 | |
| CN111046900A (zh) | 基于局部流形正则化的半监督生成对抗网络图像分类方法 | |
| CN112818861A (zh) | 一种基于多模态上下文语义特征的情感分类方法及系统 | |
| CN110188827A (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
| CN114611617A (zh) | 基于原型网络的深度领域自适应图像分类方法 | |
| CN112766378A (zh) | 一种专注细粒度识别的跨域小样本图像分类模型方法 | |
| CN113537110A (zh) | 一种融合帧内帧间差异的虚假视频检测方法 | |
| CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
| CN116310425A (zh) | 一种细粒度图像检索方法、系统、设备及存储介质 | |
| Li et al. | Enhanced bird detection from low-resolution aerial image using deep neural networks | |
| Zhang et al. | CarNet: A dual correlation method for health perception of rotating machinery | |
| CN117648611B (zh) | 机械装备的故障诊断方法 | |
| CN116593980B (zh) | 雷达目标识别模型训练方法、雷达目标识别方法及装置 | |
| Luo et al. | Rethinking motivation of deep neural architectures | |
| CN116895016A (zh) | 一种sar图像船舶目标生成与分类方法 | |
| CN111242003A (zh) | 一种基于多尺度受约束自注意机制的视频显著性物体检测的方法 | |
| GB2618876A (en) | Lightweight and efficient object segmentation and counting method based on generative adversarial network (GAN) | |
| CN116543192A (zh) | 一种基于多视角特征融合的遥感图像小样本分类方法 | |
| CN115661539A (zh) | 一种嵌入不确定性信息的少样本图像识别方法 |
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 |