基于注意力引导和层次化特征选择的旋转机械故障诊断方法

本发明属于机械，更进一步涉及机械设备故障诊断中的一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法。本发明可用于实时对轴承、齿轮、转子等旋转机械的故障进行诊断。

背景技术：

1、随着科学技术的发展，机械设备工作强度不断增大、自动化程度不断变高，机械设备更加复杂的同时各部分的关联更加密切，微小的故障就会引发连锁反应，导致整个机械设备遭受灾难性的毁坏。因此，实时、准确、迅速地对轴承、齿轮、转子等的旋转机械进行故障诊断能够有效的防止事故的发生，故障诊断技术日益发挥重要作用，它使得机械设备更加可靠。传统的故障诊断方法需要先对采集到的信号进行特征提取，再通过模式识别的方法进行分类诊断，这不仅需要专业的先验知识和人工设计的特征提取算子，并且诊断结果的有效性在很大程度上取决于提取特征的质量、耗时耗力，应用门槛较高，一种模型只能针对某一种特定类型的故障，适用范围比较低。

2、随着深度学习和卷积神经网络的发展，其采用多隐藏层以逐层学习的方式从数据中自动的提取特征，并由于其深层架构可以通过多级的抽象提取更为丰富的语义特征，这为基于神经网络的故障诊断技术带来了新的研究方向。深度学习方法可以深入发掘数据固有的复杂结构，通过高效的特征学习的方式实现自适应旋转机械故障诊断。

3、四川大学在其申请的专利文献“一种深度学习滚动轴承故障诊断方法及系统”(申请号cn202211054027.x申请公布号cn115525866a)中提出了一种深度学习的滚动轴承故障诊断方法。该方法的实现步骤是：1)获取滚动轴承故障数据；2)对每段滚动轴承故障数据提取拓扑特征矩阵；对每段滚动轴承故障数据进行快速傅里叶变换提取频域特征矩阵；3)采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵；4)采用故障分类网络,得到故障分类结果。该方法虽然分别提取了频域特征和时域特征，但是，该方法仍然存在的不足之处是，其直接使用卷积神经网络融合频域和时域特征，没有考虑两者特征的互补性，无法有效利用两个特征。

4、河北工业大学在其申请的专利文献“一种基于多尺度特征融合的非平衡样本轴承故障诊断方法”(申请号cn202310355427.2申请公布号cn116541771a)中提出了一种基于多尺度特征融合的非平衡样本轴承故障诊断方法。该方法的实现步骤是：1)利用加速度传感器采集原始信号并且归一化；2)将原始信号进行连续小波变换,得到原始信号的时频域数据；3)构建vae-gan样本生成模型并进行训练；4)设计多尺度特征提取模型实现故障特征的提取,并利用通道注意力机制实现特征的加权融合,进行轴承故障状态识别。改方法虽然考虑到了特征的加权融合，但是，该方法仍然存在的不足之处是，仅仅考虑了通道特征，没有考虑到每个信号的位置特征。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法，用于解决现有技术中存在的数据分布不均匀以及高低层特征未有效融合的问题，能够提升故障诊断的鲁棒性、高效性以及准确性。

2、实现本发明的技术思路是：本发明对于某些故障可能会同时存在多种状态或模式，在这种情况下，如果只使用随机欠采样，可能会丢失有价值的信息，导致模型预测不准确。相反，如果使用随机过采样，可能会增加模型的复杂性和过拟合的可能性。基于此，本发明提出数据重采样方法既可以保留冗余信息，保证数据的质量，同时能够避免降低模型的泛化性。本发明构建的注意力引导模型将通道注意力机制和空间注意力机制有机地结合在一起，通过沿着两个独立的维度依次推断特征权值矩阵，然后将特征权值矩阵与输入的特征相乘以进行自适应优化，这使得故障诊断模型能够学会在处理数据时关注那些对于故障诊断最为敏感或相关的特征。本发明构建的层次化特征选择模型，通过通道特征选择模块以及位置选择模块能够有效的对不同层次的特征进行融合，使得高低层特征互补并且对特征建模，选择最优判别性的特征，解决了现有技术的故障诊断模型只能学习单层特征的问题，使得本发明有效地提高了故障诊断的准确率。

3、为实现上述目的，本发明采用的技术方案包括如下步骤：

4、步骤1，利用数据重采样方法构建故障诊断训练集：

5、利用扭矩传感器以及测力计测量旋转机械至少10种工况下的加速度值，将正常情况样本和故障样本组成样本集，采用数据重采样方法对样本进行处理；将处理后的所有样本组成故障诊断训练集；

6、步骤2，构建一个由通道注意力模块和空间注意力模块串联组成的注意力引导模型；

7、步骤3，构建一个由通道特征选择模块和位置特征选择模块组成的层次化特征选择模型；

8、步骤4，构建由输入层，特征提取层，注意力引导层，层次化特征选择层，分类器层串联组成的故障诊断网络；

9、步骤5，训练故障诊断网络：

10、将故障诊断训练集输入到故障诊断网络中，使用梯度下降算法迭代更新网络的参数，直到网络损失函数收敛为止，得到训练好的故障诊断网络；

11、步骤6，获取故障诊断结果：

12、采用与步骤1相同的数据重采样方法，对实际采集的故障数据进行处理，将处理后的数据输入到训练好的故障诊断网络中，得到故障类型。

13、本发明与现有技术相比，具有以下优点：

14、第一，本发明利用数据重采样方法构建故障诊断数据集，用于故障诊断模型的训练，避免了现有技术中存在的训练样本的质量不一的问题，使得本发明有效地减小了训练网络样本的分布差异性，从而保证了旋转机械故障诊断结果的鲁棒性。

15、第二，本发明构建的注意力引导模型在计算特征权重时，利用一维注意力机制，使得网络能够更好地专注于感兴趣的特征，克服了现有技术存在的通道注意力与空间注意力难以同时优化的问题，使得本发明能够更精确的计算每个特征的权重，提升特征的有效性，从而保证了旋转机械故障诊断的高效性。

16、第三，本发明构建的层次化特征选择模型在选择特征时，利用位置选择模块和通道选择模块，使得模型能够聚合高层和底层特征，克服了现有技术中存在的高低层特征表征能力不一的问题，避免了现有技术采用单一特征或简单融合方法存在的不足，使得本发明能够更为高效的选择出不同层次特征中更有价值的特征，提升了特征的判别性，从而提升故障诊断的准确性。

技术特征：

1.一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，利用数据重采样方法构建故障诊断数据集，构建由通道注意力模块和空间注意力模块串联组成的注意力引导模型，构建由通道特征选择模块和位置特征选择模块组成的层次化特征选择模型；该诊断方法的步骤包括如下：

2.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤1中所述的工况包括正常情况、内圈故障、外圈故障以及滚动体故障，其中，内圈故障、外圈故障和滚动体故障各取三组深度测量加速度，共九种故障类型。

3.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤1中所述的数据重采样方法是指，将样本集中的每条样本，从开始位置每隔150个样本点依次向后采样，每次采样连续的2048点并连续向后重复10次。

4.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤2中所述通道注意力模块的结构依次串联为：输入层，第1平均池化层，第1卷积层，第1激活层，第2卷积层，第2最大池化层，第3卷积层，第3激活层，第4卷积层，第4激活层；将输入层的输入通道设置为256，将第1至第4卷积层的卷积核大小均设置为1*1*256，步长均设置为1，卷积核的数量均设置为256，第1至第3激活层均采样线性整流函数relu，第4激活层使用sigmoid函数。

5.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤2中所述空间注意力模块的结构依次串联为：输入层，卷积层，激活函层；将卷积层的卷积核设置为7*7*2，步长设置为1，卷积核个数为1，激活层使用sigmoid函数。

6.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤3中所述通道特征选择模块的结构依次串联为：输入层，第1全连接层，第2全连接层，第3全连接层，第4全连接层，第1卷积层，第2卷积层，第3卷积层，第5全连接层，第6全连接层，第7全连接层；将第1至第4全连接层的大小均设置为10*128，第5至第7全连接层的大小均设置为256*1，第1至第3卷积层的大小均设置为1*1*256，步长均设置为1，卷积核数量均设置为10。

7.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤3中所述位置特征选择模块的结构与通道特征选择模块相同，将输入层的通道数设置为256，第1至第4全连接层大小均设置为256*128，第5至第7全连接层的大小均设置为256*1，第1至第3卷积层大小均设置为1*1*256，步长均设置为1，卷积核的个数均设置为256。

8.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤4中所述特征提取层使用现有的transformer网络，分类器由卷积层和全连接层组成；将分类器中的卷积层大小设置为1*1*256，步长设置为1，卷积核的个数设置为64，全连接层的大小为1024*10。

9.根据权利要求1所述的基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其特征在于，步骤5中所述网络损失函数如下：

技术总结
本发明公开一种基于注意力引导和层次化特征选择的旋转机械故障诊断方法，其步骤为：利用数据重采样方法构建训练集；构建由通道注意力模块和空间注意力模块组成的注意力引导模型；构建由通道特征选择模块和位置特征选择模块组成的层次化特征选择模型；构建由输入层，特征提取层，注意力引导层，层次化特征选择层，分类器组成的诊断网络；利用训练好的网络对旋转机械进行故障诊断。本发明引入Transformer作为特征提取结构，并使用注意力机制使得网络学习到每一个特征点的重要性，经过特征选择使用更为鲁棒性的特征用于故障诊断，提升了故障诊断的有效性和准确性。

技术研发人员：马悦,彭同庆,冯志玺,胡浩,杨淑媛
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/15