基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116010900A(43)申请公布日2023.04.25(21)申请号202310019070.0G06N3/048(2023.01)(22)申请日2023.01.06G06N3/047(2023.01)G06N3/084(2023.01)(71)申请人江南大学地址214122江苏省无锡市滨湖区蠡湖大道1800号(72)发明人陶洪峰史浩进沈凌志黄远(74)专利代理机构无锡华源专利商标事务所(普通合伙)32228专利代理师过顾佳(51)Int.Cl.G06F18/25(2023.01)G01M13/021(2019.01)G01M13/028(2019.01)G06F18/2415(2023.01)G06N3/0464(2023.01)权利要求书3页说明书6页附图2页(54)发明名称基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法(57)摘要本发明公开了基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，涉及故障诊断技术领域，该方法包括：将齿轮箱一维原始振动信号利用随机划窗得到固定长度诊断样本；构建基于自注意力机制的多尺度特征融合故障诊断模型并使用Softmax函数作为分类器进行训练；利用动态裁剪Adam优化器通过反向传播方法进行模型训练；保存训练完成的故障诊断模型进行在线诊断。本发明通过不同尺度的卷积核分别提取齿轮箱原始振动信号的低频特征与局部时域特征，其次引入改进自注意力机制构建多尺度特征融合网络代替传统拼接方法，进一步挖掘振动信号的时频特征内在联系以提高模型诊断性能；同时引入批量归一化减少内部变量偏移，实现智能高效的端到端故障诊断。CN116010900ACN116010900A权利要求书1/3页1.基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，包括以下步骤：步骤一：获取齿轮箱不同故障模式下的振动信号，所述振动信号为一维时序数据；步骤二：利用相同大小的滑动窗口截取所述一维时序数据获得样本，并根据实际故障类型设置各样本标签；按照预设比例将所得样本划分成训练集、验证集与测试集；步骤三：构建基于自注意力机制的多尺度特征融合故障诊断模型；所述基于自注意力机制的多尺度特征融合故障诊断模型包括并行的低频特征提取通路及局部时域特征提取通路、特征融合网络及分类网络；所述低频特征提取通路和所述局部时域特征提取通路均包括卷积层、池化层及批归一化层，输入为齿轮箱原始振动信号，输出为大小相同的特征向量；所述低频特征提取通路采用大卷积核，所述局部时域特征提取通路采用小卷积核；所述特征融合网络包括MHSA模块、改进的CBAM模块及批归一化层；所述分类网络包括池化层、全连接层和Softmax分类器，利用平均池化以降低特征维度，采用一层全连接及Softmax分类器进行故障特征分类；所述CBAM模块的激励函数选用Sigmoid，模型其余激活函数均选用Relu；步骤四：将所述训练集输入构建的故障诊断模型进行训练；训练时先将所述训练集中的有标签样本输入至所述故障诊断模型得到预测输出，再与真实的标签计算交叉熵损失然后使用Adam优化器反向传播优化网络参数，直到训练损失稳定到设定值以下或达到迭代次数；步骤五：将待检测振动信号样本按照一定长度进行截取，输入步骤四中训练完成的故障诊断模型，得到故障诊断结果。2.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤二中：所述滑动窗口的大小为1024，截取方式为随机截取；所述训练集、验证集与测试集比例为6：3：1，所述样本标签设置为0,1,...,C,C为齿轮箱故障种类数，所述训练集批量输入至故障诊断模型进行训练。3.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤三中：低频特征提取通路结构包括依次相连的第一卷积层—第二卷积层—第一池化层—第三卷积层—自适应池化层一，局部时域特征提取通路结构包括依次相连的第四卷积层—第二池化层—第五卷积层—第三池化层—第六卷积层—第四池化层；针对一维齿轮箱振动信号输入，各卷积层使用一维卷积神经网络；第一至第四池化层采用最大池化；所述自适应池化层一按照给定输出维度对输入进行平均池化，所述自适应池化层一用于维度修整；各卷积层与MHSA模块之后均引入批归一化层调整协变量偏移，改善训练性能；对于批量输入的样本xi，所述批归一化层做以下操作：2CN116010900A权利要求书2/3页其中，μ和σ2为均值和方差，m为输入样本总数，ε为常数，γ和β为可学习参数，为输出。4.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤三中：所述MHSA模块利用不同参数下的投影进行基于相似度的振动信号融合特征学习