[发明专利]基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备

权利要求书

1.基于注意力机制的Highway Bi-LSTM轴承故障诊断方法，其特征在于所述方法具体过程为：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；

轴承故障诊断网络通过以下方式获得：

步骤一、获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；

步骤二、构建Highway Bi-LSTM网络；

所述Highway Bi-LSTM网络由以下处理层依次连接组成：Bi-LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；

所述Bi-LSTM网络用于分别提取轴承正逆时间顺序的信号特征；

所述注意力机制用于增强对Bi-LSTM网络提取的信号特征中关键特征的关注；

所述Highway层用于优化注意力机制输出的特征；

所述全连接层和softmax分类器用于对Highway层输出的特征进行分类；

步骤三、利用训练集训练步骤二构建的Highway Bi-LSTM网络获得训练好的HighwayBi-LSTM网络；

步骤四、利用测试集测试步骤三获得的训练好的Highway Bi-LSTM网络，获得轴承故障诊断网络；

所述轴承故障诊断网络为准确率大于预设阈值的训练好的Highway Bi-LSTM网络。

2.根据权利要求1所述的基于注意力机制的Highway Bi-LSTM轴承故障诊断方法，其特征在于：所述步骤一包括以下步骤：

首先，设置样本提取参数采集轴承原始振动信号，获得若干样本；

然后，按照预设比例将样本划分为训练集和测试集，并分别设定类别标签。

3.根据权利要求2所述的基于注意力机制的Highway Bi-LSTM轴承故障诊断方法，其特征在于：所述步骤二中的输出层的激活函数为Sigmoid激活函数。

4.根据权利要求3或2所述的基于注意力机制的Highway Bi-LSTM轴承故障诊断方法，其特征在于：所述步骤二中的Bi-LSTM网络输出为：

y_t＝σ(W_yh_t)                  (1)

h_t＝Z_o⊙tanh(c_t)              (2)

c_t＝Z_f⊙C_t-1+Z_i⊙Z          (3)

其中，y_t是Bi-LSTM网络的输出，σ()是sigmoid激活函数，W_y是输出层的权重参数，c_t、h_t是运算中间变量，Z_f、Z_i、Z_o、Z是中间状态变量。