一种基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，属于故障诊断技术领域，包括如下步骤：采集正常和故障情况下车辆的垂直加速度数据；对采集到的加速度数据进行预处理，建立样本集；将S2建立的样本集作为AM1DCNN‑SVM的输入，故障类别作为AM1DCNN‑SVM的输出，通过对AM1DCNN‑SVM进行训练和测试，对悬挂系统故障进行诊断。优点：激励注意力机制通过动态地调整每个特征的权重，使得模型能够更有效地捕捉与故障相关的特征并忽略不相关的特征，提高了特征的判别性和区分度，解决了传统卷积神经网络无法自适应专注于具有判别性的特征并忽略无用特征的问题，提高了故障诊断准确率。
【技术实现步骤摘要】
本专利技术属于故障诊断，具体涉及一种基于注意力机制(英文全称：attention mechanism，英文简称：am)的卷积神经网络(英文全称：convolutional neuralnetworks，英文简称：cnn)履带车辆悬挂系统故障诊断方法。
技术介绍
1、履带车辆悬挂系统弹性承载整个车体，缓和着外部激励带来的冲击，是整个车辆系统中的重要组成部分，决定着车辆的机动性、稳定性、舒适性和安全性。履带车辆悬挂系统多处于恶劣的外部环境和行驶路况，在长期的使用过程中，悬挂系统中的某些悬挂部件的性能可能会衰减甚至失效，即吸收振动能量的能力减弱。如果悬挂系统出现故障，悬挂部件会在发生刚性撞击时因受到冲击能量过大而造成损伤，从而影响系统的操纵性和舒适性，为此，对履带车辆悬挂系统的故障进行诊断具有重要的意义，通过故障诊断，可以及时发现并解决悬挂系统中存在的潜在问题，从而提高设备运行的可靠性。
2、履带车辆在左右两侧履带的各负重轮上普遍安装有悬挂系统及阻尼器件，履带车辆的车体重量较大，每侧的各负重轮上设置的扭力弹簧悬挂装置数量众多且布局紧密，由此增加了故障诊断的复杂性。目前，传统卷积神经网络无法自适应专注于具有判别性的特征并忽略无用特征，这导致模型在处理复杂故障时性能不佳，无法有效提取关键特征；而注意力机制通过动态地调整每个特征的权重，使得模型能够更有效地捕捉与故障相关的特征并忽略不相关的特征，提高了特征的判别性和区分度。下面将要介绍的技术方案便是在这种背景下产生的。
技术实现思路
>1、本专利技术的目的在于提供一种基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，提高了特征的判别性和区分度，提高了故障诊断的正确率。2、本专利技术的目的是这样来达到的，一种基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，包括如下步骤：
3、s1，采集正常和故障情况下车辆的垂直加速度数据；
4、s2，对采集到的加速度数据进行预处理，建立样本集；
5、s3，将s2建立的样本集作为am1dcnn-svm(故障诊断模型)的输入，故障类别作为am1dcnn-svm的输出，通过对am1dcnn-svm进行训练和测试，对悬挂系统故障进行诊断。
6、在本专利技术的一个具体的实施例中，所述步骤s1中，在车体四个角和两侧履带侧裙中央偏上位置设置加速度传感器，用于采集正常和故障情况下匀速工况时的车辆垂直加速度数据。
7、在本专利技术的另一个具体的实施例中，所述步骤s2中，又包括以下步骤：
8、s21，消除加速度信号的趋势项，然后采用递推平均滤波算法处理去趋势项的加速度信号，再对滤波后的加速度信号进行二次积分得到位移信号，将位移信号作为故障诊断的数据集；
9、s22，对位移信号进行预处理，采用窗口滑动的方式在位移信号上进行滑动取样，为采样后的信号设置对应的故障类型标签，得到初始样本集，将位移信号的初始样本划分为训练集和测试集，对每个位移样本向量进行归一化处理，将值缩放到0和1之间；
10、s23，打乱样本的排列顺序。
11、在本专利技术的又一个具体的实施例中，所述步骤21中的递推平均滤波算法把连续n个加速度数据看成一个队列，该队列的长度为n且固定不变，按照队列先进先出的原则，每次将新数据放在队尾，并删除原来队首的数据，然后计算队列中n个数据的平均值，得到滤波结果。
12、在本专利技术的再一个具体的实施例中，所述步骤s22中，采取重叠采样方式，滑动窗口大小为256个时间步，滑动步长为64个时间步长。
13、在本专利技术的还有一个具体的实施例中，所述步骤s22中的训练集和测试集的占比为4:1。
14、在本专利技术的进而一个具体的实施例中，所述步骤s3中，am1dcnn-svm包括卷积网络、多个激励注意力机制、池化层和故障分类器。
15、在本专利技术的更而一个具体的实施例中，所述卷积网络又包括六个卷积模块，每个卷积模块包含一个卷积层和一个relu激活函数，前五个卷积模块后面都添加激励注意力机制以自适应优化特征。
16、在本专利技术的又进而一个具体的实施例中，所述am1dcnn-svm采用全局平均池化层。
17、在本专利技术的又更而具体的实施例中，所述故障分类器采用svm分类器。
18、本专利技术由于采用了上述结构，与现有技术相比，具有的有益效果是：其一，激励注意力机制通过动态地调整每个特征的权重，使得模型能够更有效地捕捉与故障相关的特征并忽略不相关的特征，提高了特征的判别性和区分度，解决了传统卷积神经网络无法自适应专注于具有判别性的特征并忽略无用特征的问题；其二，激励注意力机制直接采用1×1卷积跨通道聚合输入特征，使得模型能够自适应地优化聚合过程，提高特征表示的效果；其三，在激励注意力机制中引入残差连接，解决由重复的特征加权操作引起的深层特征响应值降低而导致模型无法准确分类的问题；其四，使用支持向量机作为分类器代替神经网络中常用的softmax分类器，解决softmax分类器分类性能容易受到网络训练过程中正则化参数和整个样本集影响的问题。
本文档来自技高网...
【技术保护点】
1.一种基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤S1中，在车体四个角和两侧履带侧裙中央偏上位置设置加速度传感器，用于采集正常和故障情况下匀速工况时的车辆垂直加速度数据。
3.根据权利要求1所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤S2中，又包括以下步骤：
4.根据权利要求3所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤21中的递推平均滤波算法把连续N个加速度数据看成一个队列，该队列的长度为N且固定不变，按照队列先进先出的原则，每次将新数据放在队尾，并删除原来队首的数据，然后计算队列中N个数据的平均值，得到滤波结果。
5.根据权利要求3所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤S22中，采取重叠采样方式，滑动窗口大小为256个时间步，滑动步长为64个时间步长。
<p>6.根据权利要求3所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤S22中的训练集和测试集的占比为4:1。7.根据权利要求1所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤S3中，AM1DCNN-SVM包括卷积网络、多个激励注意力机制、池化层和故障分类器。
8.根据权利要求7所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述卷积网络又包括六个卷积模块，每个卷积模块包含一个卷积层和一个ReLU激活函数，前五个卷积模块后面都添加激励注意力机制以自适应优化特征。
9.根据权利要求7所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述AM1DCNN-SVM采用全局平均池化层。
10.根据权利要求7所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述故障分类器采用SVM分类器。
...
【技术特征摘要】
1.一种基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤s1中，在车体四个角和两侧履带侧裙中央偏上位置设置加速度传感器，用于采集正常和故障情况下匀速工况时的车辆垂直加速度数据。
3.根据权利要求1所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤s2中，又包括以下步骤：
4.根据权利要求3所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤21中的递推平均滤波算法把连续n个加速度数据看成一个队列，该队列的长度为n且固定不变，按照队列先进先出的原则，每次将新数据放在队尾，并删除原来队首的数据，然后计算队列中n个数据的平均值，得到滤波结果。
5.根据权利要求3所述的基于注意力机制的卷积神经网络履带车辆悬挂系统故障诊断方法，其特征在于：所述步骤s22中，采取重叠采样方式，滑动窗口大小为...
【专利技术属性】
技术研发人员：刘宗凯，陆莹，邹卫军，钱龙军，吴盘龙，王军，薄煜明，
申请(专利权)人：南京理工大学，
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。