【技術實現步驟摘要】
本專利技術涉及旋轉機械故障診斷領域，具體涉及一種基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法。
技術介紹
1、旋轉機械作為工業生產中的關鍵設備，廣泛應用于各類制造和加工行業，其在現代工業體系中的地位不可或缺。然而，旋轉機械的運行過程中頻繁出現故障問題，尤其是機械部件的磨損、疲勞破壞以及不平衡等現象，已成為工程界持續關注的焦點。這些故障不僅影響生產效率，還可能引發嚴重的安全事故，導致巨大的經濟損失。因此，旋轉機械故障的及時、準確診斷對于確保安全生產、提高生產效率至關重要。
2、基于振動信號的旋轉機械故障診斷是通過提取故障信號中的有效特征信息進行故障類型分類，特征提取是故障診斷的重點。深度學習以其端到端的自動特征學習能力和對信號的高階抽象建模能力，在故障診斷領域得到了廣泛應用，如深度置信網絡、一維卷積神經網絡（convolutional?neural?networks,?cnn）、二維時頻卷積神經網絡、自注意力機制、循環神經網絡、生成對抗網絡等。
3、由于旋轉機械強背景噪聲的干擾，工作載荷的不穩定性、振動傳遞路徑的復雜性以及組件內部錯綜復雜且強相關的耦合關系，振動信號有效信息被混淆，特征表達呈現差異性，增加了有效特征提取的難度，降低了模型的泛化能力。因此，設計能夠在這些干擾因素下提取更具判別性特征的診斷模型成為提高故障診斷準確率和魯棒性的關鍵性挑戰。
4、近年來，研究者積極探索解決方案，寬核深度卷積神經網絡模型wdcnn采用寬卷積核來抑制高頻噪聲。mc1-dcnn模型采用多尺度方式從時域和頻
5、注意力機制作為一種提高特征提取有效性的重要途徑，通過聚焦關鍵特征，自適應地調整特征響應值，以提高模型捕捉相關性的能力。比如，ma1dcnn模型采用多重注意力突出判別性特征；damn模型采用雙注意力多尺度模塊提取多尺度、多層次特征；dca-bigru模型采用具有注意力機制的雙通道，捕捉信號的空間和信道關系。這些方法所運用的注意力機制提取特征圖的一階統計特征，使用全局均值或全局最大值作為注意力因子調整的依據，存在建模能力不足的問題。
6、注意力機制作為一種提高特征提取有效性的重要途徑，通過聚焦關鍵特征，自適應地調整特征響應值，以提高模型捕捉相關性的能力；研究者提出了多重注意力一維卷積神經網絡(ma1dcnn)，以突出判別性特征；提出了一種雙注意力多尺度一維cnn模型網絡模型，采用雙注意力多尺度模塊提取多尺度、多層次特征；提出一種注意力機制的雙向門控循環網絡模型，以捕捉信號的空間和信道關系。這些方法所運用的注意力機制提取特征圖的一階統計特征，使用全局均值或全局最大值作為注意力因子調整的依據，存在建模能力不足的問題。
7、此外，軟閾值濾波技術作為一種抑制噪聲的有效方法，深度殘余收縮網絡（drsn）將軟閾值濾波技術與深度學習相結合，采用信道平均值的縮放非線性變換獲取每個信道的閾值，自適應地調整閾值將無效特征置零，但單一的軟閾值濾波缺少突出關鍵特征的機制，其閾值濾波函數及導數關系如圖1所示，圖1中(a)為閾值濾波函數圖、(b)為導數圖。
8、其閾值濾波功能表示為：
9、
10、其中， τ是濾波閾值。該函數將絕對值小于 τ的輸入直接設置為零（即“裁剪”），輸出對輸入的導數為1或0。
11、上述軟閾值濾波函數如圖1所示，是一個硬性裁剪的函數，不能在輸入值接近閾值時提供平滑的過渡，容易出現梯度消失現象。并且，該軟閾值濾波函數對于正向輸入和負向輸入的處理是對稱的，當輸入大于閾值時，僅是“減去閾值”而沒有進一步的“增強”作用，缺少突出關鍵特征的機制。
12、因此上述方法仍然存在復雜工作環境下特征提取不夠充分和模型泛化能力不足的問題。
技術實現思路
1、本專利技術的目的在于提供一種結合改進的殘差收縮卷積和全局二階池化注意力機制的旋轉機械故障診斷方法，解決強背景噪聲與變載荷工作環境下，旋轉機械的振動信號的有效特征難以提取，故障診斷準確率低、模型的泛化能力差的問題。
2、為了達到上述目的，本專利技術所采用的技術方案是：基于meta-acon殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，利用訓練好的故障診斷網絡模型對旋轉機械進行故障檢測，所述故障診斷網絡模型的計算過程包括：
3、s1，輸入旋轉機械振動信號，通過寬卷積預處理層對振動信號進行特征預提取，輸出特征圖i；
4、s2，通過多個堆疊的多通道殘差收縮卷積單元對輸出特征圖i進行多通道、多尺度的特征提取，多通道殘差收縮卷積單元是由帶殘差連接的雙通道構成，每個通道包括依次連接的兩個一維卷積層和具有軟閾值濾波功能的激活層acon-filternet，兩個通道的輸出特征經拼接之后接入1×1維卷積，實現信道維度上的特征融合，最后拼接之后的特征與殘差連接線性疊加，得到輸出特征圖ii；
5、s3，將s2中輸出特征圖ii送入全局二階池化模塊，通過計算特征圖的協方差矩陣提取信道的二階統計信息，經過縮放非線性映射，獲取每個信道的注意力因子，最后注意力因子和輸出特征圖ii進行逐信道相乘，完成注意力機制運算，輸出運算結果；
6、s4，將s3中的運算結果做全局平均池化，然后經全連接分類，得到故障信號所屬類別。
7、優選地，所述多通道殘差收縮卷積單元具有軟閾值功能的激活層acon-filternet，其激活運算函數采用meta-acon設計，其表達式為：
8、
9、式中， τ為濾波閾值， β為非線性尺度因子， p1為正向動態加權系數， p2為負向動態加權系數， x為輸入特征。
10、上式中，通過以下公式計算：
11、
12、
13、式中， p、 p’和 β表示學習參數，σ表示sigmoid激活函數，t表示輸入量。
14、優選地，將所述的濾波閾值 τ和正向動態加權系數 p1作為信道級本文檔來自技高網...
【技術保護點】
1.基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，利用訓練好的故障診斷網絡模型對旋轉機械進行故障檢測，所述故障診斷網絡模型的計算過程包括：
2.根據權利要求1所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，所述多通道殘差收縮卷積單元具有軟閾值濾波功能的激活層ACON-FilterNet，其激活運算函數采用Meta-ACON設計，其表達式為：
3.根據權利要求2所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，將所述的濾波閾值τ和正向動態加權系數p1作為信道級別學習參數，p2和β作為超參數或神經元參數。
4.根據權利要求2或3所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，所述激活層ACON-FilterNet實現信道級別參數濾波閾值τ和正向動態加權系數p1的自適應學習，其具體模型結構設計為：首先對輸入特征圖進行全局絕對值平均池化，得到一個一維向量1×C，C為輸入特征圖的信道數，將所述一維向量傳遞到壓縮全連接網絡，得到壓縮后的二維向量2×C/r，r為收縮因子，再經擴
5.根據權利要求1所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，所述S3中全局二階池化模塊運算過程為：首先通過1×1卷積對輸出特征圖II降維，通過協方差運算進行二階池化，計算信道間的相關性，得到協方差矩陣，再對協方差矩陣執行行卷積非線性運算，求得每個信道的注意力因子，最后注意力因子和輸出特征圖II進行逐信道相乘。
...【技術特征摘要】
1.基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，利用訓練好的故障診斷網絡模型對旋轉機械進行故障檢測，所述故障診斷網絡模型的計算過程包括：
2.根據權利要求1所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，所述多通道殘差收縮卷積單元具有軟閾值濾波功能的激活層acon-filternet，其激活運算函數采用meta-acon設計，其表達式為：
3.根據權利要求2所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，將所述的濾波閾值τ和正向動態加權系數p1作為信道級別學習參數，p2和β作為超參數或神經元參數。
4.根據權利要求2或3所述的基于殘差收縮卷積和注意力機制的旋轉機械故障診斷方法，其特征在于，所述激活層acon-filternet實現信道級別參數濾波閾值τ和正向動態加權系數p...
【專利技術屬性】
技術研發人員：劉保羅，王國強，石念峰，孫澤宇，陳春濤，李晨，
申請(專利權)人：洛陽理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。