[发明专利]双注意力引导的旋转机械健康评估方法

说明书

本发明涉及一种双注意力引导的旋转机械健康评估方法，构建包括特征提取器，重构器和回归器的双注意力引导模型，通过将可变形卷积的思想引入到特征提取方法中，通过可变形卷积、时间卷积并巧妙地结合双注意力通道实现对细粒度特征的捕获；聚合局部关键信息，改善了全局特征学习的信息损失。采用回归损失和重构损失更新双注意力引导模型，并输出最佳的训练机械退化特征；将测试集输入至更新的特征提取器，获取测试机械退化特征，并用多核最大均值差异损失最小化最佳的训练和测试的机械退化特征之间的差异。本发明能够较好的解决传统方法预测精度较差的问题，同时可以约束数据的信息一致性，实现了对测试数据的较高精度的剩余寿命预测。

技术领域

本发明涉及基于机器学习方法的机械健康特征评估技术领域，尤其是一种双注意力引导的旋转机械健康评估方法。

背景技术

旋转机械在长期运行中由于负载、磨损和裂纹等因素易引发故障，进而导致设备运行出现问题。因此利用故障与健康管理(PHM)技术根据机械的行为，可对机械的健康状态进行诊断，提前制定维护计划，缩短不必要的停机时间，并降低生产成本。机械系统的剩余使用寿命预测是PHM技术的一项关键任务。目前机械健康评估方法可分为基于模型的和数据驱动的方法。基于模型的方法通常采用机械退化数据的统计模型来预测寿命退化趋势。这些方法需要专家知识来精确地对统计数据进行建模，但无法有效的评估复杂的机械系统。基于数据驱动方法旨在将传统器提供的数据转换成机械退化的参数或非参数模型。这些方法通常利用数据内可用的特征表示来准确映射剩余寿命值，并取得了令人满意的结果。

一般而言，数据驱动方法通常包括机器学习和深度学习模型。机器学习旨在从传感器提供的数据中提取各种退化特征，例如均值，偏度，峭度。采用学习算法，例如支持向量机，威布尔分布，回归支持向量机，对退化特征进行回归统计。然而，机器学习方法严重依赖于所提取的退化特征，这通常需要先验知识。

深度学习方法在处理时间序列回归上具有优势。采用多隐层结构实现数据特征的逐层非线性变换，以提取最佳的特征表示，例如自动编码器，深度信念网络，卷积神经网络和循环神经网络。但多数方法仅是通过下采样的方式进行非线性特征变换，进而实现寿命回归。但这个提取过程却忽视了对输入数据信息一致性的保持和特征分布差异。这个不足对于许多现实的应用来说回归性能往往是受限的，可能无法有效工作。通常而言，预训练模型能够在相似的工况下取得最佳的性能，但对于机械系统而言，尽管工况相似，故障类型是复合的，进而导致特征分布是具有差异。

发明内容

针对现有技术的不足，本发明提供一种双注意力引导的旋转机械健康评估方法，旨在实现较高精度的机械健康评估。

本发明采用的技术方案如下：

一种双注意力引导的旋转机械健康评估方法，包括以下步骤：

S1，采集旋转机械的水平振动信号，对所述水平振动信号进行处理以获取时频图数据，把所有时频图数据划分测试集和训练集，然后将测试集进行剩余寿命值标记；

S2，构建双注意力引导模型，其包括特征提取器，重构器和回归器；

S3，将训练集输入至双注意力引导模型，由所述特征提取器提取隐藏的机械退化特征；

S4，将所述机械退化特征分别输入到所述回归器和所述重构器中，输出剩余寿命值和重构信号；

S5，采用回归损失和重构损失更新双注意力引导模型，并输出最佳的训练机械退化特征；

S6，将测试集输入至更新的特征提取器，获取测试机械退化特征，并用多核最大均值差异损失最小化最佳的训练和测试的机械退化特征之间的差异；

S7，将训练好的特征提取器和回归器组合，并预测测试集的剩余寿命值，实现对旋转机械健康评估。

进一步技术方案为：