[发明专利]基于多注意力卷积神经网络的旋转机械故障诊断方法

说明书

本发明公开了一种基于多注意力卷积神经网络的旋转机械故障诊断方法，首先采集无故障和不同故障的旋转机械在不同运行状态下的加速度振动信号，并根据各个加速度振动信号所对应的故障状态设置故障状态标签，对每个加速度振动信号进行标准化处理，作为训练样本对多注意力卷积神经网络模型进行训练，多注意力卷积神经网络模型包括6个卷积层、5个联合注意力模块以及全局平均池化层和Softmax层，然后采集旋转机械当前的加速度振动信号，送入多注意力卷积神经网络模型进行故障诊断。本发明在卷积神经网络中引入注意力模块，以增强网络对判别性特征和故障冲击信号段的学习，并抑制无关噪声，提高故障诊断性能。

技术领域

本发明属于旋转机械故障诊断技术领域，更为具体地讲，涉及一种基于多注意力卷积神经网络的旋转机械故障诊断方法。

背景技术

旋转机械是工业设备中应用很广泛的一种部件，一旦发生故障，必将导致设备性能恶化，从而带来经济损失，甚至引发安全事故。因此，对旋转机械进行故障诊断具有重要的意义。

近年来，深度学习技术作为一种高效的特征提取和模式识别算法，解决了以往需要人工提取特征的重要难题。因此，基于去噪自编码器，深度信念网络，卷积神经网络等方法的故障诊断研究取得了大量的研究成果。特别地，卷积神经网络(Convolutional NeuralNetwork，CNN)得益于局部权值共享、局部感受野和多卷积核等特点，在旋转机械故障诊断领域取得了显著的成功。

然而，已发表的成果主要侧重于提升CNN的自动特征学习能力，对以下两方面考虑不足。1)CNN技术倾向于学习输入信号的所有特征，无法对故障相关的特征进行针对性地学习，从而造成巨大的资源浪费；2)针对CNN如何学习到具有判别性的特征这个问题，已发表的成果缺乏充分的研究。这些CNN方法仍是“黑箱”模型，这种“黑箱”的性质很大程度上影响了CNN技术在故障诊断领域的发展，因为可解释性在学术研究和工业应用中都非常重要。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多注意力卷积神经网络的旋转机械故障诊断方法，在卷积神经网络中引入注意力模块，以增强网络对判别性特征和故障冲击信号段的学习，并抑制无关噪声，提高故障诊断性能。

为实现上述发明目的，本发明基于多注意力卷积神经网络的旋转机械故障诊断方法包括以下步骤：

S1：以采样频率f_s采集无故障和不同故障的旋转机械在不同运行状态下的加速度振动信号x_m[n]，其中m＝1,2,…,M，M表示所采集的加速度振动信号的数量，n＝1,2,…,N，N表示每个加速度振动信号中的采样点数量，从而获取加速度振动信号集X＝{x₁[n],x₂[n],...,x_M[n]}；并根据各个加速度振动信号x_m[n]所对应的故障状态，设置故障状态标签；

S2：对每一个加速度振动信号x_m[n]进行标准化处理，得到信号

S3：构建多注意力卷积神经网络，包括6个卷积层、5个联合注意力模块以及全局平均池化层和Softmax层，其中：

第1层为卷积层，记作C1层，用于对输入信号进行卷积操作；

第2层为联合注意力模块层，记作U1层，用于对C1层输入至U1层的特征的通道特征和时序段给予不同的权重，从不同角度对特征进行自适应调整；

第3层为卷积层，记作C2层，用于对U1层输入至C1层的数据进行卷积操作；

第4层为联合注意力模块层，记作U2层，用于对C2层输入至U2层的特征的通道特征和时序段给予不同的权重，从不同角度对特征进行自适应调整；

第5层为卷积层，记作C3层，用于对U2层输入至C3层的数据进行卷积操作；