[发明专利]一种基于神经网络注意力机制的轴承故障分类方法

说明书

本公开揭示了一种基于神经网络注意力机制的轴承故障分类方法，包括：利用加速度传感器采集轴承的振动加速度时域信号S_T，对振动加速度时域信号S_T进行包络谱变换，获得频域信号S_F，将频域信号S_F作为含有注意力机制的神经网络的输入样本；将输入样本S_F等分为N个不同片段后输入神经网络，对每个片段进行处理并提取特征值，对特征值进行打分运算和归一化处理，获得与输入样本S_F不同片段相对应的注意力权重；建立输入样本S_F不同片段与注意力权重之间的联系；利用注意力权重对每个片段的特征值进行加权并求和，获得注意力机制输出值y_att；对所述注意力机制的输出值y_att通过全连接层后进行归一化处理，获得和为1的概率分布，其中，概率最大的所对应的类别即为轴承的故障类型。

技术领域

本公开属于轴承故障检测领域，特别是一种基于神经网络注意力机制的轴承故障分类方法。

背景技术

如今，在工业大数据的背景下，人工智能和机器学习的快速进步使得故障诊断逐步走向智能化，利用数据驱动的故障诊断智能算法越来越受到重视，成为故障诊断领域新的研究热点。轴承故障诊断是机械状态监测的热门研究方向，以深度学习等为代表的智能诊断方法是近年来轴承故障诊断的一个发展趋势。目前，常用的深度学习方法有卷积神经网络、深度置信网络、循环神经网络以及对抗神经网络等等，这类“端到端”的方法可以自动地挖掘输入信息的深层特征，在输入端直接输入原始信息，在输出端便可得到输出结果。它们取代了传统算法繁琐的特征提取等预处理过程，在工业“大数据”时代异军突起。

虽然许多学者进行了积极的探索，但现阶段只是将已有的网络模型加以调整和改进后，直接用于机械信号的分析，难以给出模型决策的依据，让用户觉得决策结果可信，这显得缺乏依据和解释性。可解释性，即理解和解释神经网络模型，是深度学习未来发展的方向之一，是人类对于人工智能从“知其然”到“知其所以然”的必经之路。深度神经网络究其本质是一个高度非线性非凸的最优化问题，纯数学理论分析解释非常困难，目前尚未建立完备的理论和方法体系，因而大部分通过可视化的方法来向用户提供某些视觉上的直观解释。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于神经网络注意力机制的轴承故障分类方法，通过注意力机制，重点突出输入样本不同片段所含信息对于结果的影响程度，直观展示神经网络对于不同片段的注意力权重，从而实现对轴承故障的监测，为结果提供一个视觉上的直观解释，实现诊断结果的可视化解释。

为实现上述目的，本公开提供以下技术方案：

一种基于神经网络注意力机制的轴承故障分类方法，包括如下步骤：

S100：利用加速度传感器采集轴承的振动加速度时域信号S_T，对所述振动加速度时域信号S_T进行包络谱变换，获得振动加速度频域信号S_F，并将振动加速度频域信号S_F作为含有注意力机制的神经网络的输入样本；

S200：将输入样本等分为N个不同片段，记为S_F1，S_F2，S_F3，…，S_FN，并输入神经网络，对每个片段进行处理并提取特征值，对所述特征值进行打分运算和归一化处理，获得与输入样本S_F不同片段S_F1，S_F2，S_F3，…，S_FN相对应的注意力权重α₁，α₂，α₃，…α_N；