CN117807509B - 基于平行注意力的轴承故障诊断方法、设备及存储介质 - Google Patents
基于平行注意力的轴承故障诊断方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117807509B CN117807509B CN202410224096.3A CN202410224096A CN117807509B CN 117807509 B CN117807509 B CN 117807509B CN 202410224096 A CN202410224096 A CN 202410224096A CN 117807509 B CN117807509 B CN 117807509B
- Authority
- CN
- China
- Prior art keywords
- bearing
- wolf
- training
- fault diagnosis
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 241000282461 Canis lupus Species 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000005728 strengthening Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 241000282421 Canidae Species 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于平行注意力的轴承故障诊断方法、设备及存储介质，包括：利用传感器采集轴承运行数据，获取数据集；将获取数据集作为平行注意力机制的输入，得到强化故障特征的轴承运行数据集；将分为训练集、验证集和测试集；使用训练集训练混合灰狼算法，以验证集准确率为适应度函数进行迭代，直到混合灰狼算法完成收敛，从而完成配置柔性残差网络结构参数，继而使用训练集训练柔性残差网络；基于训练后的柔性残差网络，根据输出标签判断轴承故障与否及轴承故障种类，最后在测试集上验证故障诊断精度。本发明能够输出更为准确的轴承故障诊断结果，对不同类型故障都有很高的识别精度，达到了提升轴承故障诊断准确率的目的。
Description
技术领域
本发明涉及轴承故障诊断技术领域，尤其涉及一种基于平行注意力的轴承故障诊断方法、设备及存储介质。
背景技术
随着现代工业的飞速发展，旋转机械在生产中的作用也愈发突出。从风力发电机组到工业生产线上的各类机械设备，旋转运动已成为现代工业生产中不可或缺的一环。在这背后，滚动轴承作为旋转机械的重要部件，其地位和作用愈发凸显，其正常与否直接关系到机器的寿命与运行状态。当机器正以高速旋转时，如果轴承出现故障，将会导致机械运转不稳甚至停止，这不仅会导致生产效率的下降，也可能会造成严重的安全隐患。因此，保障滚动轴承的正常运行状态，不仅是对设备可靠性的要求，更是对生产安全的一种责任担当。
卷积神经网络（CNN）是深度学习的一种主要应用方法，由于其具有强大的特征提取能力，受到了大量学者的青睐。相应地，众多基于CNN或其变种的故障诊断方法被提出。一种轻型神经网络（LiNet），使用小型卷积核和残差块进行特征提取，利用较少的参数达到了较好的识别精度。也有将密集卷积块与注意力机制相结合来考虑数据样本的时间一致性，提出注意力密集卷积神经网络（ADCNN），以较少的训练数据获得了准确的结果。还有使用多输入卷积神经网络（MI-CNN）融合振动和声学信号的特征，增强网络识别能力。上述方法在处理一般轴承信号的情况下，均具有较好诊断精度。然而，在实际工业中，轴承运行常常混杂噪声，使得传统方法在应对噪声方面具有挑战性。
目前，由于环境噪声和运行噪声等对轴承故障识别的精度影响较大，国内外许多学者已经开展了对此类问题的深入研究。残差神经网络具有较强的特征提取能力，注意力机制可以强化轴承原始振动信号的故障特征，但单独使用这两种模型仍具有局限性。此外，本发明采用的方法在基于卷积神经网络轴承故障诊断的其他公开资料及文献未见有详细报道。
发明内容
针对现有技术的不足，本发明提供了一种基于平行注意力的轴承故障诊断方法、设备及存储介质，解决了传统轴承故障诊断方法抗噪声能力差、对细小故障特征提取能力不足、诊断精度低的问题。本方法能够通过平行注意力机制抑制了环境噪声和运行噪声对轴承故障诊断结果的影响；通过混合灰狼算法合理地配置了网络结构参数，优化了柔性残差网络的泛化能力；通过柔性残差网络加强了对细小故障特征的识别能力，增强了对故障轴承信号的特征提取能力。
为解决上述技术问题，本发明提供了如下技术方案：一种基于平行注意力的轴承故障诊断方法、设备及存储介质，包括以下步骤：
S1、利用传感器采集轴承运行数据，获取数据集；
S2、构建通道注意力子模块和空间注意力子模块并行的平行注意力机制，将获取数据集作为平行注意力机制的输入，得到强化故障特征的轴承运行数据集/>；
S3、将强化故障特征的轴承运行数据集分为训练集、验证集和测试集；
S4、使用训练集训练混合灰狼算法，以验证集准确率为适应度函数进行迭代，直到混合灰狼算法完成收敛，从而完成配置柔性残差网络结构参数，继而使用训练集训练柔性残差网络；
S5、基于训练后的柔性残差网络，根据输出标签判断轴承故障与否及轴承故障种类，最后在测试集上验证故障诊断精度。
进一步地，在步骤S1中，具体过程包括以下步骤：
S11、将振动信号传感器安装至轴承上，确保传感器正确连接并可正常工作；
S12、采集轴承给定时间序列的运行数据；
S13、在中随机选取信号长度为/>的样本放入数据集/>;
S14、将步骤S13重复次，将总计/>个信号长度为/>的样本放入数据集/>，最终得到的数据集记作/>。
进一步地，在步骤S2中，具体过程包括以下步骤：
S21、建立一个具有个卷积核的卷积层，并基于/>数据集，得到通道数为/>的多通道数据集/>；
；
其中，为第/>个样本经由卷积层生成的输出值，通道数为/>，/>表示卷积的映射函数；
S22、样本在每一个通道上分别进行平均池化和最大池化，得到平均池化输出值/>和最大池化输出值/>；
；
；
其中，表示平均池化的映射函数，/>表示最大池化的映射函数；
S23、将每个通道的平均池化输出值和最大池化输出值/>分别经由卷积层，并将结果相加，得到通道注意力子模块的输出集合/>；
；
其中为第/>个通道上得到的输出值；
S24、对样本的每个区域分别进行平均池化和最大池化，将每个区域的平均池化输出值/>和最大池化输出值/>叠加为通道数为2的输出/>；
；
；
；
其中，是通道维度叠加的映射函数，/>表示/>的第/>个区域的所有值；
S25、将经过卷积层，得到空间注意力子模块输出集合/>；
；
其中，表示第/>个区域得到的输出值；
S26、将通道注意力子模块输出集合和空间注意力子模块输出集合/>外积得到矩阵，并经过卷积层和Sigmoid激活函数，得到平行注意力模块的输出集合/>；；
S27、将平行注意力模块的输出集合与数据集/>相乘，得到强化故障特征的数据集/>；
。
进一步地，在步骤S4中，具体过程包括以下步骤：
S41、初始化混合灰狼算法的狼群和头狼、/>、/>；
S42、分别以、/>、/>的位置配置柔性残差网络，将强化故障特征的轴承运行数据集/>按3:1:1的比例分为训练集、验证集和测试集，用训练集对配置好的柔性残差网络进行训练，将验证集准确率作为适应度函数进行迭代；
S43、在迭代过程中，以狼群的位置再次配置柔性残差网络并使用训练集训练该网络，判断狼群的适应度是否高于头狼/>、/>、/>，若不高于头狼，保留/>、/>、/>的位置不变；若高于头狼，用狼群的位置/>替换/>、/>或/>的位置；
S44、更新下一代狼群的位置为，并开始下一次迭代，直到混合灰狼算法完成收敛；
；
；
；
；
；
其中p为当前迭代代数；P为总迭代代数；表示收敛因子；/>为双曲正弦函数；/>、/>和/>分别表示在/>、/>和/>的领导下，狼群移动后的位置；/>和/>是系数向量；、/>和/>分别表示对应/>、/>和/>的系数向量/>；/>和/>是[0,1]之间的随机向量； />、/>和/>分别表示对应/>、/>和/>的系数向量/>；/>、/>和/>分别表示/>、/>和/>的当前位置；/>表示狼群的当前位置；/>表示第/>代狼群的位置；/>为自然常数。
进一步地，在步骤S5中，所述基于训练后的柔性残差网络，根据输出标签判断轴承故障与否及轴承故障种类，具体过程包括以下步骤：
S51、依据混合灰狼算法收敛的结果配置柔性残差网络结构，使用所述训练集训练该网络；
S52、在需要故障诊断的轴承上采集轴承运行数据，将采集到的轴承运行数据输入训练完成的柔性残差网络，柔性残差网络能够输出对该轴承的故障类型识别结果，从而实现故障诊断。
进一步地，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于平行注意力的轴承故障诊断方法的步骤。
进一步地，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于平行注意力的轴承故障诊断方法的步骤。
借由上述技术方案，本发明提供了一种基于平行注意力的轴承故障诊断方法、设备及存储介质，至少具备以下有益效果：
与传统的轴承故障诊断方法相比，本发明通过S2构建平行注意力机制，能够从空间维度和通道维度两方面强化故障信号的特征，减少工作噪声及环境噪声的干扰，实现数据集增强；使用强化后的故障特征轴承运行数据训练混合灰狼算法，能够提升混合灰狼算法的收敛速度，增强搜索效果，进而解决了传统优化算法收敛速度慢、收敛效果差问题。本发明通过S4提出的混合灰狼算法，包含非线性收敛因子和等级位置更新策略，相较于其他优化算法，不易陷入局部最优值，寻优能力更强；依据混合灰狼算法的收敛结果配置柔性残差网络结构，得到的网络在减少网络退化的同时，对故障的特征提取效果更好，泛化能力更强，从而解决了传统残差网络特征提取能力不足、训练效果差的问题。本发明提出的方法能够通过平行注意力机制抑制了环境噪声和运行噪声对轴承故障诊断结果的影响；通过混合灰狼算法合理地配置了网络结构参数，优化了柔性残差网络的泛化能力；通过柔性残差网络加强了对细小故障特征的识别能力，增强了对故障轴承信号的特征提取能力。最终，本发明提出的方法解决了传统轴承故障诊断方法抗噪声能力差、对细小故障特征提取能力不足、诊断精度低的问题，能够输出更为准确的轴承故障诊断结果，对不同类型故障都有很高的识别精度，达到了提升轴承故障诊断准确率的目的，使得轴承故障诊断的可靠性更高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明提供的一种基于平行注意力的轴承故障诊断方法整体流程图；
图2为本发明提供的平行注意力机制的架构图；
图3为本发明混合灰狼算法迭代过程中的狼群分布示意图；
图4为本发明方法对轴承故障诊断的准确率及损失率示意图；
图5为本发明方法对轴承故障诊断的结果的混淆矩阵示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1 -图5，示出了本实施例的一种具体实施方式，本实施例通过平行注意力机制抑制了环境噪声和运行噪声对轴承故障诊断结果的影响；通过混合灰狼算法合理地配置了网络结构参数，优化了柔性残差网络的泛化能力；通过柔性残差网络加强了对细小故障特征的识别能力，增强了对故障轴承信号的特征提取能力。
请参照图1，本实施例提出了一种基于平行注意力的轴承故障诊断方法，该方法包括以下步骤：
S1、利用传感器采集轴承运行数据，获取数据集；
作为步骤S1的优选实施方式，具体过程包括以下步骤：
S11、将振动信号传感器安装至轴承上，确保传感器正确连接并可正常工作；
S12、采集轴承给定时间序列的运行数据；
S13、在中随机选取信号长度为/>的样本放入数据集/>;
S14、将步骤S13重复次，将总计/>个信号长度为/>的样本放入数据集/>，最终得到的数据集记作/>。
S2、构建通道注意力子模块和空间注意力子模块并行的平行注意力机制，将获取数据集作为平行注意力机制的输入，得到强化故障特征的轴承运行数据集/>；
作为步骤S2的优选实施方式，具体过程包括以下步骤：
S21、建立一个具有个卷积核的卷积层，并基于/>数据集，得到通道数为/>的多通道数据集/>；
；
其中，为第/>个样本经由卷积层生成的输出值，通道数为/>，/>表示卷积的映射函数；
S22、样本在每一个通道上分别进行平均池化和最大池化，得到平均池化输出值/>和最大池化输出值/>；
；
；
其中，表示平均池化的映射函数，/>表示最大池化的映射函数；
S23、将每个通道的平均池化输出值和最大池化输出值/>分别经由卷积层，并将结果相加，得到通道注意力子模块的输出集合/>；
；
其中为第/>个通道上得到的输出值；
S24、对样本的每个区域分别进行平均池化和最大池化，将每个区域的平均池化输出值/>和最大池化输出值/>叠加为通道数为2的输出/>；
；
；
；
其中，是通道维度叠加的映射函数，/>表示/>的第/>个区域的所有值；
S25、将经过卷积层，得到空间注意力子模块输出集合/>；
；
其中，表示第/>个区域得到的输出值；
S26、将通道注意力子模块输出集合和空间注意力子模块输出集合/>外积得到矩阵，并经过卷积层和Sigmoid激活函数，得到平行注意力模块的输出集合/>；；
S27、将平行注意力模块的输出集合与数据集/>相乘，得到强化故障特征的数据集/>；
。
在本实施例中，本实施例通过S2构建平行注意力机制，能够从空间维度和通道维度两方面强化故障信号的特征，减少工作噪声及环境噪声的干扰，实现数据集增强；通过平行注意力机制抑制了环境噪声和运行噪声对轴承故障诊断结果的影响，解决了传统轴承故障诊断方法抗噪声能力差的问题。
S3、将强化故障特征的轴承运行数据集分为训练集、验证集和测试集；
S4、使用训练集训练混合灰狼算法，以验证集准确率为适应度函数进行迭代，直到混合灰狼算法完成收敛，从而完成配置柔性残差网络结构参数，继而使用训练集训练柔性残差网络；
作为步骤S4的优选实施方式，具体过程包括以下步骤：
S41、初始化混合灰狼算法的狼群和头狼、/>、/>；
S42、分别以、/>、/>的位置配置柔性残差网络，将强化故障特征的轴承运行数据集/>按3:1:1的比例分为训练集、验证集和测试集，用训练集对配置好的柔性残差网络进行训练，将验证集准确率作为适应度函数进行迭代；
S43、在迭代过程中，以狼群的位置再次配置柔性残差网络并使用训练集训练该网络，判断狼群的适应度是否高于头狼/>、/>、/>，若不高于头狼，保留/>、/>、/>的位置不变；若高于头狼，用狼群的位置/>替换/>、/>或/>的位置；
S44、更新下一代狼群的位置为，并开始下一次迭代，直到混合灰狼算法完成收敛；
；
；
；
；
；
其中p为当前迭代代数；P为总迭代代数；表示收敛因子；/>为双曲正弦函数；/>、/>和/>分别表示在/>、/>和/>的领导下，狼群移动后的位置；/>和/>是系数向量；、/>和/>分别表示对应/>、/>和/>的系数向量/>；/>和/>是[0,1]之间的随机向量； />、/>和/>分别表示对应/>、/>和/>的系数向量/>；/>、/>和/>分别表示/>、/>和/>的当前位置；/>表示狼群的当前位置；/>表示第/>代狼群的位置；/>为自然常数。
在本实施例中，本实施例通过使用强化后的故障特征轴承运行数据训练混合灰狼算法，能够提升混合灰狼算法的收敛速度，增强搜索效果，进而解决了传统优化算法收敛速度慢、收敛效果差问题，通过S4提出的混合灰狼算法，包含非线性收敛因子和等级位置更新策略，相较于其他优化算法，不易陷入局部最优值，寻优能力更强；依据混合灰狼算法的收敛结果配置柔性残差网络结构，优化了柔性残差网络的泛化能力，得到的网络在减少网络退化的同时，加强了对细小故障特征的识别能力，增强了对故障轴承信号的特征提取能力，对故障的特征提取效果更好，泛化能力更强，从而解决了传统残差网络特征提取能力不足、训练效果差的问题。
S5、基于训练后的柔性残差网络，根据输出标签判断轴承故障与否及轴承故障种类，最后在测试集上验证故障诊断精度。
作为步骤S5的优选实施方式，具体过程包括以下步骤：
S51、依据混合灰狼算法收敛的结果配置柔性残差网络结构，使用所述训练集训练该网络；
S52、在需要故障诊断的轴承上采集轴承运行数据，将采集到的轴承运行数据输入训练完成的柔性残差网络，柔性残差网络能够输出对该轴承的故障类型识别结果，从而实现故障诊断。
优选的，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于平行注意力的轴承故障诊断方法的步骤。
优选的，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于平行注意力的轴承故障诊断方法的步骤。
具体地，为验证本发明提出的一种基于平行注意力的轴承故障诊断方法性能，将本方法在由CWRU提供的公开轴承故障数据集上执行。使用的数据集包括40个“.mat”数据文件，每个文件含有在采样频率12kHz的条件下，通过在电动机驱动端的轴承座上方放置的一个加速度传感器，采集到 轴承的振动加速度信号。CWRU公开轴承故障数据集内收集的轴承类型为9种故障轴承及1种正常轴承，故障轴承的故障位置分别为轴承外圈、轴承滚动体和轴承内圈，所有故障轴承用电火花加工单点损伤，损伤直径分别为0.18mm、0.36mm和0.56mm，由此得到9种故障类型和1种正常类型。具体地，表1给出了全部轴承故障类型及对应的标签。对全部40个文件进行采样，每个文件随机采样250次，每次采样的信号长度为1024，将采样得到的数据集按3:1:1的比例分为训练集、验证集和测试集。利用平行注意力机制强化数据集轴承故障信号；使用训练集训练混合灰狼算法，以验证集准确率为适应度函数进行迭代，从而配置网络结构参数；继而使用训练集训练柔性残差网络；最后在测试集上验证故障诊断精度。
表1 CWRU轴承故障数据集故障类型及标签
图2为平行注意力机制的架构图。数据集首先经由1层卷积核数量为128的卷积层，将单通道的数据转换为128通道数的数据。之后，数据集进入平行注意力模块，在内部分别经过通道注意力子模块和空间注意力子模块，获得两个子模块的输出权值；将两个权值外积为矩阵，经由卷积核数128的卷积层输出，通过Sigmoid激活函数将所有元素限制在0~1的范围内；将矩阵与平行注意力模块的输入矩阵相乘，得到强化故障特征信号的平行注意力模块输出数据。
图3为混合灰狼算法迭代过程中的狼群分布示意图，该示意图示出了混合灰狼算法迭代过程中狼群位置的变化。混合灰狼算法的迭代次数设为50，狼群数量设为20。作为说明，本实施例以迭代过程中狼群的位置配置3个不同的柔性残差模块，再由3个不同的柔性残差模块组成柔性残差网络，使用的柔性残差网络结构内部包含3个柔性残差模块，将混合灰狼算法的优化对象选为3个柔性残差模块的结构参数，即每个柔性残差模块内部包含的卷积层数和每个卷积层含有的卷积核数，以狼群的位置配置柔性残差网络结构。卷积核数的范围设为32~128，卷积层数的范围设为3~18。图3中X轴、Y轴和Z轴的坐标分别表示柔性残差网络中包含的3个柔性残差模块内部卷积层的卷积核数。由图3可知，狼群位置由图3（a）迭代初期的均匀分布，逐渐变为图3（b）最后为图3（c）迭代后期的聚拢，说明混合灰狼算法能够较好地优化柔性残差网络的结构参数。
作为说明，图4展示了完成配置结构参数的柔性残差网络在训练过程中的准确率及损失变化。本发明将残差网络训练次数设为100次，批处理量设为128，学习率使用初始0.001的Adam算法，用全局平均池化代替全连接层以减少过拟合。将测试集中的轴承加速度信号作为柔性残差网络的输入，则柔性残差网络的输出为标签值，由表1可得到输出标签对应的轴承故障类型，即轴承故障识别结果。由图4可知，本发明图4（a）可知模型训练15次准确率首次到达99%，且收敛后准确率始终高于99%；本发明图4（b）可知模型训练15次损失首次将近0，且收敛后损失始终达到将近0。
图5展示了完成训练的柔性残差网络对测试集故障分类的结果的混淆矩阵。由图5可知，本发明模型对轴承故障类型的错误分类较少，仅有标签8的4%轴承故障样本被错误分类为其它标签，而其余9个标签的轴承故障样本均可以做到100%分类正确，因此本发明提出的轴承故障方法是可靠的。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于平行注意力的轴承故障诊断方法，其特征在于，包括以下步骤：
S1、利用传感器采集轴承运行数据，获取数据集{C}；
S2、构建通道注意力子模块和空间注意力子模块并行的平行注意力机制，将获取数据集{C}作为平行注意力机制的输入，得到强化故障特征的轴承运行数据集{CR}；
S3、将强化故障特征的轴承运行数据集{CR}分为训练集、验证集和测试集；
S4、使用训练集训练混合灰狼算法，以验证集准确率为适应度函数进行迭代，直到混合灰狼算法完成收敛，从而完成配置柔性残差网络结构参数，继而使用训练集训练柔性残差网络；
具体过程包括以下步骤：
S41、初始化混合灰狼算法的狼群和头狼α、β、γ；
S42、分别以α、β、γ的位置配置柔性残差网络，将强化故障特征的轴承运行数据集{CR}按3:1:1的比例分为训练集、验证集和测试集，用训练集对配置好的柔性残差网络进行训练，将验证集准确率作为适应度函数进行迭代；
S43、在迭代过程中，以狼群的位置Q(p)再次配置柔性残差网络并使用训练集训练该网络，判断狼群的适应度是否高于头狼α、β、γ，若不高于头狼，保留α、β、γ的位置不变；若高于头狼，用狼群的位置Q(p)替换α、β或γ的位置；
S44、更新下一代狼群的位置为Q(p+1)，并开始下一次迭代，直到混合灰狼算法完成收敛；
A＝2×a×r1-a
D＝2×r2
其中p为当前迭代代数；P为总迭代代数；a表示收敛因子；sinh(·)为双曲正弦函数；S1、S2和S3分别表示在α、β和γ的领导下，狼群移动后的位置；A和D是系数向量；D1、D2和D3分别表示对应α、β和γ的系数向量D；r1和r2是[0,1]之间的随机向量；A1、A2和A3分别表示对应α、β和γ的系数向量A；Qα、Qβ和Qγ分别表示α、β和γ的当前位置；Q表示狼群的当前位置；Q(p+1)表示第p+1代狼群的位置；e为自然常数；
S5、基于训练后的柔性残差网络，根据输出标签判断轴承故障与否及轴承故障种类，最后在测试集上验证故障诊断精度。
2.根据权利要求1所述的一种基于平行注意力的轴承故障诊断方法，其特征在于：在步骤S1中，所述利用传感器采集轴承运行数据，获取数据集{C}，具体过程包括以下步骤：
S11、将振动信号传感器安装至轴承上，确保传感器正确连接并可正常工作；
S12、采集轴承给定时间序列的运行数据{x1,x2,...,xj}；
S13、在{x1,x2,...,xj}中随机选取信号长度为n的样本放入数据集C；
S14、将步骤S13重复M次，将总计M个信号长度为n的样本放入数据集C，最终得到的数据集记作{C}。
3.根据权利要求1所述的一种基于平行注意力的轴承故障诊断方法，其特征在于：在步骤S2中，具体过程包括以下步骤：
S21、建立一个具有m个卷积核的卷积层，并基于{C}数据集，得到通道数为m的多通道数据集{f}；
其中，为第o个样本经由卷积层生成的输出值，通道数为m，Conv(·)表示卷积的映射函数；
S22、样本在每一个通道上分别进行平均池化和最大池化，得到平均池化输出值/>和最大池化输出值/>
其中，AveragePooling(·)表示平均池化的映射函数，MaxPooling(·)表示最大池化的映射函数；
S23、将每个通道的平均池化输出值和最大池化输出值/>分别经由卷积层，并将结果相加，得到通道注意力子模块的输出集合{εca}；
其中为第g个通道上得到的输出值；
S24、对样本的每个区域分别进行平均池化和最大池化，将每个区域的平均池化输出值/>和最大池化输出值/>叠加为通道数为2的输出/>
其中，Com(·)是通道维度叠加的映射函数，表示/>的第b个区域的所有值；
S25、将经过卷积层，得到空间注意力子模块输出集合{εsa}；
其中，表示第b个区域得到的输出值；
S26、将通道注意力子模块输出集合{εca}和空间注意力子模块输出集合{εsa}外积得到矩阵，并经过卷积层和Sigmoid激活函数，得到平行注意力模块的输出集合{εpa}；
S27、将平行注意力模块的输出集合{εpa}与数据集{f}相乘，得到强化故障特征的数据集{CR}；
{CR}＝{εpa}×{f}。
4.根据权利要求1所述的一种基于平行注意力的轴承故障诊断方法，其特征在于：在步骤S5中，所述基于训练后的柔性残差网络，根据输出标签判断轴承故障与否及轴承故障种类，具体过程包括以下步骤：
S51、依据混合灰狼算法收敛的结果配置柔性残差网络结构，使用所述训练集训练该网络；
S52、在需要故障诊断的轴承上采集轴承运行数据，将采集到的轴承运行数据输入训练完成的柔性残差网络，柔性残差网络能够输出对该轴承的故障类型识别结果，从而实现故障诊断。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～4任一所述基于平行注意力的轴承故障诊断方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～4任一所述基于平行注意力的轴承故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410224096.3A CN117807509B (zh) | 2024-02-29 | 2024-02-29 | 基于平行注意力的轴承故障诊断方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410224096.3A CN117807509B (zh) | 2024-02-29 | 2024-02-29 | 基于平行注意力的轴承故障诊断方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807509A CN117807509A (zh) | 2024-04-02 |
| CN117807509B true CN117807509B (zh) | 2024-04-30 |
Family
ID=90428071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410224096.3A Active CN117807509B (zh) | 2024-02-29 | 2024-02-29 | 基于平行注意力的轴承故障诊断方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807509B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
| CN115905806A (zh) * | 2022-11-03 | 2023-04-04 | 安徽智质工程技术有限公司 | 一种包含注意力机制的深度神经网络轴承故障诊断方法 |
| CN117216681A (zh) * | 2023-09-25 | 2023-12-12 | 洛阳理工学院 | 一种基于SAGAN-IResNet的少样本轴承故障诊断方法、系统及存储介质 |
| CN117390371A (zh) * | 2023-10-18 | 2024-01-12 | 武汉大学 | 基于卷积神经网络的轴承故障诊断方法、装置及设备 |
| CN117421667A (zh) * | 2023-10-30 | 2024-01-19 | 重庆邮电大学 | 基于改进灰狼算法优化的Attention-CNN-LSTM工业过程故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2024
- 2024-02-29 CN CN202410224096.3A patent/CN117807509B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
| CN115905806A (zh) * | 2022-11-03 | 2023-04-04 | 安徽智质工程技术有限公司 | 一种包含注意力机制的深度神经网络轴承故障诊断方法 |
| CN117216681A (zh) * | 2023-09-25 | 2023-12-12 | 洛阳理工学院 | 一种基于SAGAN-IResNet的少样本轴承故障诊断方法、系统及存储介质 |
| CN117390371A (zh) * | 2023-10-18 | 2024-01-12 | 武汉大学 | 基于卷积神经网络的轴承故障诊断方法、装置及设备 |
| CN117421667A (zh) * | 2023-10-30 | 2024-01-19 | 重庆邮电大学 | 基于改进灰狼算法优化的Attention-CNN-LSTM工业过程故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| SSAE和IGWO-SVM的滚动轴承故障诊断;袁宪锋;颜子琛;周风余;宋勇;缪昭明;;振动.测试与诊断;20200415(第02期);全文 * |
| 基于GWO优化的CS-SVM轴承故障诊断;马小平;李博华;张旭;吴新忠;;煤矿机械;20190515(第05期);全文 * |
| 基于注意力机制BiLSTM的设备智能故障诊断方法;王太勇;王廷虎;王鹏;乔卉卉;徐明达;;天津大学学报(自然科学与工程技术版);20200427(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807509A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| 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 | |
| CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN110186680B (zh) | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 | |
| Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
| CN112084974A (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN111626361A (zh) | 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法 | |
| CN112611982A (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
| CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 | |
| CN111832663A (zh) | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN111562110B (zh) | 基于卷积神经网络的故障诊断模型及跨部件故障诊断方法 | |
| CN115688040A (zh) | 一种机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN117807509B (zh) | 基于平行注意力的轴承故障诊断方法、设备及存储介质 | |
| CN115563565A (zh) | 一种基于增量学习的电机轴承故障诊断方法及装置 | |
| WO2023137807A1 (zh) | 滚动轴承类不平衡故障诊断方法及系统 | |
| CN114818806A (zh) | 一种基于小波包与深度自编码器的变速箱故障诊断方法 | |
| CN114441173A (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
| CN113780151A (zh) | 一种双线性特征融合的轴承故障诊断方法及系统 | |
| CN113092044A (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
| CN113742638B (zh) | 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 | |
| Cui et al. | Few-shot Learning for Rolling Bearing Fault Diagnosis Based on Residual Convolutional Neural Network | |
| CN113158769A (zh) | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 | |
| CN112444395A (zh) | 基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法 | |
| CN115329815A (zh) | 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统 |
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 |