【技术实现步骤摘要】
本专利技术属于设备故障监测与诊断，具体涉及一种深度注意力机制增强故障敏感特征提取的轴承诊断方法。
技术介绍
1、齿轮箱作为动力装置的重要组成部分，往往受到人们的高度关注。轴承、轴、齿轮等齿轮箱中的旋转部件往往在复杂的变载工况下运行。因此，这些部件往往在早期因为疲劳损伤而产生微弱故障，故障信号在强背景噪声下往往不易察觉。若任由微弱故障逐渐恶化，不仅会导致机械设备严重损坏，甚至会造成人员伤亡事故的发生。故开展轴承等关键部件的状态监测与故障诊断方法研究对设备的安全可靠运行具有重要意义。
2、随着传感器与计算机技术的飞速发展，振动信号特征提取方法作为故障诊断的关键步骤也在不断进步。根据机械设备运行特点、振动信号特征变化及不同算法的优势来设计和构建适用于提取故障特征的新方法，这种思路已成为故障诊断领域的研究热点之一。同时，随着动力装置大型化、智能化发展，其振动信号传递路径愈加复杂、背景噪声愈加强烈、故障特征提取难度更大。因此，强噪声复杂振动微弱特征提取及故障诊断研究将是未来研究的重要趋势。
技术实现思路
1、本专利技术的目的是提供一种深度注意力机制增强故障敏感特征提取的轴承诊断方法，有助于提高现场实际中轴承故障诊断的准确率。
2、本专利技术的技术方案如下：深度注意力机制增强故障敏感特征提取的轴承诊断方法，包括如下步骤：
3、步骤101：采集轴承在不同故障类别下的时域信号数据；
4、步骤102：对所述时域信号进行平方包络后输入基于深度注意力机制的
5、步骤103：将所述的关键频段信息作为滤波依据进行滤波，获得滤波后的注意力增强信号；
6、步骤104：将所述的注意力增强信号进行最大重叠离散小波变换，获得子信号；
7、步骤105：对所述的子信号计算其平方包络的无偏自相关峭度；
8、步骤106：以所述的自相关峭度作为指标进行解调频带优选，获得最优解调子信号；
9、步骤107：计算所述的最优解调子信号平方包络谱，实现轴承故障敏感特征增强提取与故障诊断。
10、在步骤101中，所述故障时域信号通过轴承故障模拟试验台采集，获得不同故障类别下的时域信号数据，所述轴承型号采用30310型号的圆锥滚子轴承，实验前使用线切割加工方式，分别加工出包括内圈故障、外圈故障、滚动体故障和正常轴承在内的4种健康状态的轴承，上述故障尺寸均为宽度1mm、深度0.5mm，在转速1200r/min，负载60n·m的工况下，以1000khz采样频率采集4种健康状态的时域数据。
11、在步骤102中，对所述时域信号进行平方包络后输入基于深度注意力机制的多尺度cnn网络，挖掘关键频段信息。
12、在步骤102中，将轴承时域信号进行hilbert包络，取包络谱幅值的平方作为深度注意力机制网络的输入；传感器采集到的故障信号长度n＝1000000，平方包络后取包络谱前4000个点作为神经网络输入，基于深度注意力机制的多尺度cnn网络构建方法如下：首先，建立权值稀疏注意力层，该层以全连接层为模板，定义其权值ws绝对值限制在某个数值区间[0,1]，引入额外的向量m，m仅有0、1两种元素，与权值对应位置相乘后，再通过公式一计算该层的输出；
13、公式一：
14、xout＝m⊙(ws⊙x),m,x,ws∈rn
15、其中，⊙表示计算方式为对应位置相乘；
16、通过m向量可实现可控制样本输出，实现稀疏注意力机制；m向量作为外部输入，其迭代更新方式为：首先，初始化m、ws；第一次循环训练后，获取训练后的ws；基于ws，根据稀疏规则更新m，进行第二次循环训练；以此类推，直至预定的循环训练次数t或准确率下降至指定阈值；
17、其次，稀疏注意力层中ws的各个权值绝对值大小即为其对应输入序列在整个模型运算中重要程度的衡量标准。因此，在稀疏规则中定义阈值β，令m中的权值绝对值最小的β项为0，其余为1，即通过迭代稀疏的方式筛选对故障最为敏感的特征，如公式二所示；
18、公式二：
19、
20、所述的稀疏注意力机制需要规定总循环训练次数t、基于阈值β和循环训练次数t的稀疏规则；定义当前循环训练次数t，稀疏度随训练次数增大而增大，如公式三所示；
21、公式三：
22、
23、其中，sp为稀疏度，即m向量中零元素的占比；
24、最终，当t＝t训练结束后，以准确率为第一指标，稀疏度为第二指标，选取最优结果，获取关键频带信息。
25、在步骤103中，将所述的关键频段信息作为滤波依据进行滤波，获得滤波后的注意力增强信号，依据步骤102基于深度注意力机制的cnn网络获得的关键频段为[0,18khz]，对原信号进行低通滤波，获得仅包含关键频段频率[0,18khz]的注意力增强信号。
26、在步骤104中，所述将所述的注意力增强信号进行最大重叠离散小波变换，获得子信号，将滤波后的注意力增强时域信号进行最大重叠离散小波变换，modwpt是高度冗余的非正交小波变换，modwpt中的尺度滤波器和小波滤波器的关系如公式四所示：
27、公式四：
28、
29、
30、其中，gl和hl分别为离散小波变换(dwt)中的尺度滤波器与小波滤波器；
31、根据mallat算法，求出尺度j下的尺度变换系数vj,t和小波变换系数wj,t分别如公式五所示；
32、公式五：
33、
34、
35、其中，n为原始信号的维度，mod表示两数相除取余数，j表示分解层数；
36、modwpt分解系数计算如公式六所示；
37、公式六：
38、
39、其中，如果nmod4＝0or3，则如果nmod4＝1or2，则
40、经上述计算后便可得到最大重叠离散小波变换后的子信号。
41、在步骤105中，所述对所述的子信号计算其平方包络的无偏自相关峭度，将子信号进行平方包络，依据公式七计算包络后信号的无偏自相关；
42、公式七：
43、
44、其中，x(ti)表示子信号x(ti)的平方包络；τ＝q/fs表示时滞；n表示采样点数；q＝0,1,…,n-1；
45、自相关峭度计算如公式八所示；
46、公式八：
47、
48、在步骤106中，所述以所述的自相关峭度作为指标进行解调频带优选，获得最优解调子信号，对所有子信号分别进行自相关峭度计算后，寻找自相关峭度最大的节点，选择该节点解调频带的信号作为最优解调子信号。
49、在步骤107中，所述计算所述的最优解调子信号平方包络谱，实现轴承故障敏感特征增强提取与故障诊断，将最优频带子信号进行hilbert包络，并对包络谱幅本文档来自技高网...
【技术保护点】
1.深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤101中，所述故障时域信号通过轴承故障模拟试验台采集，获得不同故障类别下的时域信号数据，所述轴承型号采用30310型号的圆锥滚子轴承，实验前使用线切割加工方式，分别加工出包括内圈故障、外圈故障、滚动体故障和正常轴承在内的4种健康状态的轴承，上述故障尺寸均为宽度1mm、深度0.5mm，在转速1200r/min，负载60N·m的工况下，以1000kHz采样频率采集4种健康状态的时域数据。
3.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤102中，对所述时域信号进行平方包络后输入基于深度注意力机制的多尺度CNN网络，挖掘关键频段信息。
4.如权利要求3所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤102中，将轴承时域信号进行Hilbert包络，取包络谱幅值的平方作为深度注意力机制网络的输入；传感器采集到的故障信号
5.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤103中，将所述的关键频段信息作为滤波依据进行滤波，获得滤波后的注意力增强信号，依据步骤102基于深度注意力机制的CNN网络获得的关键频段为[0,18kHz]，对原信号进行低通滤波，获得仅包含关键频段频率[0,18kHz]的注意力增强信号。
6.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤104中，所述将所述的注意力增强信号进行最大重叠离散小波变换，获得子信号，将滤波后的注意力增强时域信号进行最大重叠离散小波变换，MODWPT是高度冗余的非正交小波变换，MODWPT中的尺度滤波器和小波滤波器的关系如公式四所示：
7.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤105中，所述对所述的子信号计算其平方包络的无偏自相关峭度，将子信号进行平方包络，依据公式七计算包络后信号的无偏自相关；
8.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤106中，所述以所述的自相关峭度作为指标进行解调频带优选，获得最优解调子信号，对所有子信号分别进行自相关峭度计算后，寻找自相关峭度最大的节点，选择该节点解调频带的信号作为最优解调子信号。
9.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤107中，所述计算所述的最优解调子信号平方包络谱，实现轴承故障敏感特征增强提取与故障诊断，将最优频带子信号进行Hilbert包络，并对包络谱幅值平方处理，分别获得内圈故障、外圈故障、滚动体故障轴承信号经所提方法处理后的包络谱，从而实现轴承故障敏感特征增强提取与故障诊断。
...【技术特征摘要】
1.深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤101中，所述故障时域信号通过轴承故障模拟试验台采集，获得不同故障类别下的时域信号数据，所述轴承型号采用30310型号的圆锥滚子轴承，实验前使用线切割加工方式，分别加工出包括内圈故障、外圈故障、滚动体故障和正常轴承在内的4种健康状态的轴承，上述故障尺寸均为宽度1mm、深度0.5mm，在转速1200r/min，负载60n·m的工况下，以1000khz采样频率采集4种健康状态的时域数据。
3.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤102中，对所述时域信号进行平方包络后输入基于深度注意力机制的多尺度cnn网络，挖掘关键频段信息。
4.如权利要求3所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤102中，将轴承时域信号进行hilbert包络，取包络谱幅值的平方作为深度注意力机制网络的输入；传感器采集到的故障信号长度n＝1000000，平方包络后取包络谱前4000个点作为神经网络输入，基于深度注意力机制的多尺度cnn网络构建方法如下：首先，建立权值稀疏注意力层，该层以全连接层为模板，定义其权值ws绝对值限制在某个数值区间[0,1]，引入额外的向量m，m仅有0、1两种元素，与权值对应位置相乘后，再通过公式一计算该层的输出；
5.如权利要求1所述的深度注意力机制增强故障敏感特征提取的轴承诊断方法，其特征在于：在步骤103中，将所述的关键频...
【专利技术属性】
技术研发人员：毛勇，黄勇波，曾春，潘强，吴真有，吴林华，
申请(专利权)人：中核核电运行管理有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。