一种基于注意力机制的AlexNet网络气象设备健康状态诊断方法

本发明涉及气象设备健康度计算计算机应用，具体为一种基于注意力机制的alexnet网络气象设备健康状态诊断方法。

背景技术：

1、传统意义上气象设备健康状态的判断依赖于对健康度曲线的变化规律的观察和分析，这种方法虽然基础，但往往效率不高，且容易受到人为判断的影响。相比之下，将健康度曲线转换为图像格式，再运用卷积神经网络进行自动识别，不仅可以提高诊断的准确性，也极大地提升了处理速度。这种方法的关键在于如何有效地将健康度曲线转化为可供卷积神经网络识别的图像格式。

2、有研究通过小波包变换提取轴承方位信号的时频特征，保留时频特征中对健康状态敏感的特征来进行健康状态诊断。有研究利用两个不同核大小的卷积神经网络从原始振动信号中提取不同的频率信号特征，进而进行健康状态诊断。有研究提出了一种基于bp神经网络的梯次利用电池健康状态诊断方法。有研究提出一种集成轨道冲击指数和波磨指数的高速铁路轨道短波健康状态诊断方法。上述方法能够一定程度上通过时频域中提取数据特征进行健康状态诊断，但上述方法健康状态诊断方法均存在诊断准确率低等问题。卷积神经网络擅长从图像数据中学习深度特征，针对健康状态诊断率低、传统数据时频域特征提取不适用于气象设备健康状态诊断等问题，

技术实现思路

1、本发明所要解决的技术问题是：

2、针对现有健康状态诊断方法存在健康状态诊断率低、传统数据时频域特征提取不适用于气象设备健康状态诊断等问题，本发明提供一种基于注意力机制的alexnet网络气象设备健康状态诊断方法。

3、为了解决上述技术问题，本发明采用的技术方案为：

4、一种基于注意力机制的alexnet网络气象设备健康状态诊断方法，其特征在于，包括：

5、计算出气象设备不同健康状态下的健康度一维时间序列曲线，根据格拉马角场将气象设备不同健康状态下的健康度一维时间序列曲线转换为对应的二维健康状态图像，即为格拉马角和场图像和格拉马角差场图像；

6、将格拉马角和场图像和格拉马角差场图像同时并行送入基于挤压激励机制的alexnet网络中进行气象设备健康状态图像识别，识别出当前健康状态所处的类别，两个并行的alexnet网络将得到两个图像识别的结果；

7、将两个识别结果集合后送入随机森林中进行集成学习最终获得一个最终的健康状态诊断结果。

8、本发明进一步的技术方案：所述根据格拉马角场将气象设备不同健康状态下的健康度一维时间序列曲线转换为对应的二维健康状态图像，即为格拉马角和场图像和格拉马角差场图像；具体为：

9、假设一个气象设备健康度的时间序列数据x＝[x1,x2,...,xn]包含n个时间戳的健康度计算值，将健康度序列数据从笛卡尔坐标系转换为极坐标系下表示如下：

10、

11、式(1-1)中，以第i个时刻的健康度值xi作为极坐标系下的角度φi，以时间标号i/n作为半径；在利用格拉马角场进行角度图像转换时，利用格拉马角场矩阵进行转换，格拉马角场矩阵分为和场和差场；格拉马角和场是通过对矩阵进行余弦函数运算来生成，而格拉马角差场是通过对矩阵进行正弦函数运算和余弦函数运算之差来生成，均为同一种数据的不同表示方式，其具体定义如式下式：

12、

13、

14、φi代表第i个时刻健康度数据在极坐标下的角度；通过式(1-2)和式(1-3)将一维健康度时间序列数据转换为二维图像。

15、本发明进一步的技术方案：所述alexnet网络结构是由8层卷积网络堆叠而成，其中前5层是卷积层，后3层为全连接层。

16、本发明进一步的技术方案：所述alexnet网络中进行气象设备健康状态图像识别，具体为：

17、将气象设备健康状态图像输入alexnet网络中，在第一层中，采用利用11×11卷积核对图像进行卷积操作，并采用3×3大小的池化核进行最大池化；在第二层中，利用5×5大小卷积核进行卷积操作，而后采用3×3大小的池化核进行最大池化操作；第三层、第四层和第五层均采用3×3大小的卷积核进行卷积操作，并在第五层卷积结束后会采用3×3大小的池化核进行最大池化操作；最后一层利用softmax分类器对健康状态图像进行分类，将其映射到提前分类好的健康状态，获得气象设备所对应的健康状态类别。

18、本发明进一步的技术方案：所述将两个识别结果集合后送入随机森林中进行集成学习最终获得一个最终的健康状态诊断结果，具体为：

19、将经过alexnet网络的气象设备健康状态图像的识别结果训练集送入随机森林中，从该原始训练集中进行有放回地随机采样生成多个子训练集，每个子训练集和原始训练集相同，其中可能包含重复的样本也可能存在部分样本没有被抽取到，而后构建决策树，对于每个alexnet获得的气象设备健康状态图像的识别结果子训练集，独立地构建一个决策树；对于气象设备同一健康状态曲线的不同二维图像的识别结果，通过对所有决策树的预测结果进行投票，选择出现最多次数的类别作为最终的集成预测结果，即可得到气象设备健康状态图像所对应的健康状态类别。

20、本发明进一步的技术方案：所述决策树的构建策略如下：

21、(1)针对每个结点，在候选的健康状态图像识别结果特征集中随机地选择一个固定数量的特征子集，避免过于依赖单一特征；

22、(2)根据选择的特征子集，使用某种分割准则选择最佳分割特征和阈值；

23、(3)重复递归地在每个子结点上应用上述步骤直到满足终止条件。

24、一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。

25、一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。

26、本发明的有益效果在于：

27、本发明提供的一种基于注意力机制的alexnet网络气象设备健康状态诊断方法，利用两个alexnet深度神经网络并行处理gasf(gramian angular summation field)和gadf(gramian angular difference field)图像，这两种图像分别从不同的角度捕捉时间序列数据的特征。gasf图像专注于序列中的累积模式，而gadf图像揭示了序列的差异模式。这种双重视角的结合为时序数据提供了一种更全面的特征表示方式。在此基础上，本发明将两个alexnet网络的输出融合，并将其作为随机森林算法的输入。这种设计结合了深度学习在高层次特征提取方面的强大能力和随机森林在决策集成处理中的有效性，从而提高了整体模型的泛化能力和鲁棒性。具体而言，深度网络深入挖掘和识别数据中的复杂模式，而随机森林则通过多个决策树的集成学习来平衡和优化这些特征，有效防止过拟合。

28、此外，本发明采用了挤压激励机制(squeeze-and-excitation mechanism)，这是一种高级的网络架构改进，通过动态调整神经网络通道的权重来增强模型的特征表达能力。这种机制使网络能够更加专注于对分类任务有用的特征，从而提高模型对复杂模式的识别能力，进一步提升分类的精确度。随机森林作为本发明的一个关键组成部分，其抗过拟合特性得到了充分利用。由于随机森林通过构建多个决策树并综合它们的预测结果，因此它在处理特征噪声和类别不平衡问题时表现好；这不仅增强了模型对多样化数据的适应性，也提高了在实际应用中的可靠性和稳健性。本发明将深度学习与传统机器学习策略的优势相结合，形成了一个高度优化、高效和鲁棒的分析框架。这不仅在精度和泛化能力上超越了单一算法，也在计算效率和适应性方面提供了显著的改进。这种方法的应用前景广阔，尤其适用于需要处理大量复杂时序数据的领域，如健康监测等。通过这种综合方法，可以更有效地挖掘和理解大数据中蕴含的深层次信息，从而为决策提供更加可靠和准确的技术支持。