【技術實現步驟摘要】
本專利技術涉及機械故障診斷，特別涉及一種軸承故障診斷方法、裝置、介質和設備。
技術介紹
1、軸承是風力發電機中必不可少的重要組成部分，由于其工作環境惡劣，通常隨著時間的推移會使得軸承逐漸劣化。而軸承一旦發生故障會造成經濟損失、生產損失和維修計劃失敗，嚴重的甚至危及人身安全。因此，對風電系統中的軸承實施故障診斷技術，以降低發電成本和提高其發電安全性是一項緊迫的任務。
2、目前對于軸承的故障診斷主要研究是基于深度學習來實現，基于深度學習的智能診斷方法可靠的前提是需要收集充足的反應所有運行狀態的數據以及訓練數據和測試數據同分布。實際上，由于運行環境和多變工況致使軸承常發生意外故障，導致已訓練的模型面對突增的故障時，需要對模型進行再訓練以識別新故障類型。
3、然而使用新類型的數據直接訓練深度模型將會造成災難性遺忘（舊故障類的識別表現斷崖式下降），保留過多的舊故障特征又會造成新故障識別性能降低，因此需要平衡模型對舊知識保留（穩定性）能力和對新增數據的學習能力（可塑性）。
技術實現思路
1、基于此，為了解決現有技術中的技術問題，本專利技術提供一種軸承故障診斷方法、裝置、介質和設備。
2、本專利技術提供了一種軸承故障診斷方法，包括：
3、在 g種不同的故障狀態下采集軸承運行時產生的多傳感器時間序列數據，以構建 g個數據集：{第一數據集，...，第 g數據集}，每個數
4、構建第一深度學習網絡，使用第一數據集對第一深度學習網絡進行訓練，獲得學習到第一數據集中軸承故障特征的第一故障診斷模型；所述第一深度學習網絡是基于inver-transformer模型所構建的，通過inver-transformer模型對傳感器時間序列數據的學習表達能力，學習數據集中的軸承故障特征；inver-transformer工作步驟具體包括：
5、輸入多傳感器時間序列信號x，將多傳感器時間序列信號x嵌入到m個令牌中：
6、；
7、其中， inveremb()是令牌嵌入操作，h0是inver-transformer模型第0層輸出的嵌入操作結果；
8、對m個令牌實施l個反向注意力并行運算：
9、；
10、其中，h l-1是inver-transformer模型第 l-1層的輸出， l=1,..., l； inverattn()是反向注意力操作；norm()為歸一化操作；
11、通過inver-transformer模型中的前饋網絡進行信息傳遞，獲得第一深度學習網絡的輸出：
12、；
13、；
14、其中，h l是inver-transformer模型第 l層的輸出； feedforw()是前饋神經網絡；是第一深度學習網絡；是深度學習網絡輸出的軸承故障預測結果。
15、從第一數據集中選取歷史實例與第二數據集合并，獲得第一合并數據集；從第一數據集~第s-1數據集中選取歷史實例與第 s數據集進行合并以訓練第s深度學習網絡，是選取滿足以下目標函數的歷史實例：
16、?(1)
17、其中，是選取的歷史實例， d=1,..., t， t是歷史實例個數；表示在s-1階段被選擇的歷史實例， s=1,..., g； ds代表在 s階段對應的第 s數據集； nc是在 s階段中第c個類別的訓練樣本個數； f s()表示 s階段對應的第 s深度學習網絡。
18、凍結第一故障診斷模型中的部分參數，獲得第二深度學習網絡，所述凍結參數，是凍結與歷史實例對應的第s-1故障診斷模型參數。
19、對第二深度學習網絡進行修剪，所述網絡修剪操作，具體包括：
20、步驟i：獲得第s-1階段inver-transformer模型的權值w、故障數據x、目標修剪率 r t和循環次數e；
21、步驟ii：初始化當前循環次數e、第一拉格朗日乘子、第二拉格朗日乘子、顯著得分t和閾值參數；
22、步驟iii：當e<e時，基于下式構造一個監督可學習閾值：
23、?(2)
24、(3)
25、其中， r是當前參數修剪率；sigmoid函數()用于通過限制閾值參數來生成分層修剪率，；是inver-transformer模型第層的參數量； num是inver-transformer模型的總參數；
26、步驟iv：獲取二進制掩碼：
27、(4)
28、其中，是對應于的顯著性得分；是用于返回中個最小值條目的函數；該式的含義是：如果可學習顯著性得分不大于，則二進制掩碼會將inver-transformer模型中多頭反向注意力的權重矩陣中對應行向量設置為零；
29、步驟v：計算掩碼權重矩陣 mmia：
30、(5)
31、其中， inverattn(h l-1)是對inver-transformer模型的第 l-1層進行反向注意力操作所獲得的結果；
32、步驟vi：輸出修剪后的inver-transformer模型：
33、(6)
34、其中，fs*是修剪前的inver-transformer模型； cnum是在 s階段中第c個類別的訓練樣本個數；是s階段中inver-transformer模型的第q個二進制掩碼；是s階段inver-transformer模型本文檔來自技高網...
【技術保護點】
1.一種軸承故障診斷方法，其特征在于，包括：
2.如權利要求1所述的軸承故障診斷方法，其特征在于，所述第一深度學習網絡是基于Inver-transformer模型所構建的，通過Inver-transformer模型對傳感器時間序列數據的學習表達能力，學習數據集中的軸承故障特征；具體包括：
3.如權利要求2所述的軸承故障診斷方法，其特征在于，所述選取歷史實例操作，是選取滿足以下目標函數的歷史實例：
4.如權利要求3所述的軸承故障診斷方法，其特征在于，所述凍結參數操作，是凍結與歷史實例對應的第s-1故障診斷模型中的參數。
5.如權利要求4所述的軸承故障診斷方法，其特征在于，所述網絡修剪操作，具體包括：
6.如權利要求3所述的軸承故障診斷方法，其特征在于，所述網絡訓練操作所使用的損失函數為：
7.一種軸承故障診斷裝置，其特征在于，包括：
8.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述權利要求1～6任一項所述的方法。
9.一種計算機設
...【技術特征摘要】
1.一種軸承故障診斷方法，其特征在于，包括：
2.如權利要求1所述的軸承故障診斷方法，其特征在于，所述第一深度學習網絡是基于inver-transformer模型所構建的，通過inver-transformer模型對傳感器時間序列數據的學習表達能力，學習數據集中的軸承故障特征；具體包括：
3.如權利要求2所述的軸承故障診斷方法，其特征在于，所述選取歷史實例操作，是選取滿足以下目標函數的歷史實例：
4.如權利要求3所述的軸承故障診斷方法，其特征在于，所述凍結參數操作，是凍結與歷史實例對應的第s-1故障診斷模型中的參數。
【專利技術屬性】
技術研發人員：唐海紅，李佳偉，唐艷敏，汪冰，祖曉佳，郭允程，趙宇凱，
申請(專利權)人：浙江海洋大學，
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。