【技术实现步骤摘要】
本专利技术属于电机轴承故障诊断，具体为一种基于改进cnn模型的电机轴承故障诊断方法。
技术介绍
1、电机轴承故障诊断是工业设备维护中的一项关键技术，它涉及检测、识别和评估旋转机械中电机轴承的健康状况。
2、为了使大型复杂机械设备在安全高效的模式下运行，状态监测和故障诊断在实际应用中变得越来越重要。电机轴承作为机械设备中的重要组件，长期处于高负荷的运行状态，其健康状况直接影响到整个机械系统的稳定性和安全性。电机轴承故障可能导致设备性能下降、停机，甚至可能引发安全事故，造成重大的经济损失因此，电机轴承状态的监测与故障诊断对于复杂工业系统的安全运行至关重要。
3、当前现有电机轴承故障诊断方法基本使用bn处理方式进行归一化，这会有导致模型性能下降，准确度低的风险，以及容易出现梯度下降影响模型准确度。为了提高模型准确度，现有电机轴承故障诊断方法采用较为复杂的模型，该模型参数过多，极易出现过拟合的情况，从而导致模型泛化能力差，反而降低准确度。
技术实现思路
1、专利技术目的：为解决现有电机轴承故障诊断方法存在准确度低、模型复杂等问题，本专利技术提出了一种改进cnn模型的电机轴承故障诊断方法，本专利技术方法能够提高网络的泛化能力，通过更精确地获取电机轴承的故障特征，从而使得电机轴承故障诊断正确率得到较大提高。
2、技术方案：一种基于改进cnn模型的电机轴承故障诊断方法，包括以下步骤：
3、采集待故障诊断的电机轴承数据；
4、将电机轴承数
5、其中，所述的cnn模型由多个cnn模块构成，上一cnn模块的输出作为下一cnn模块的输入；每个cnn模块均由输入层、重新校准模块、卷积层、激活函数、组归一化模块、池化层、自注意力模块、全连接层、输出层和分类器组成；输入的数据经过重新校准模块后进入卷积层，每个卷积后加入激活函数和组归一化模块进入池化层，池化层的输出特征进入自注意力模块；全连接层用于将卷积层和池化层输出的特征进行非线性组合，得到最终的特征向量；
6、所述重新校准模块由风格池化组件和风格融合组件组成；
7、所述自注意力模块为带残差连接的自注意力模块，通过自动学习特征间的相关性，根据相关性加权处理输入至自注意力模块的特征向量。
8、进一步的，在重新校准模块中，风格池化组件用于从输入张量中提取风格特征，n表示样例数量，c为通道数量，h、w表示空间维度；风格融合组件利用风格特征来生成特定于示例的风格权重重新校准模块的输出张量为风格权重和输入张量的乘积。
9、进一步的，在风格池化组件中，风格池化运算符通过汇总跨空间维度的特征响应来从每个通道提取风格特征，表示为：
10、
11、式中，μnc表示像素值的平均值，h和w分别表示高度和宽度的索引，xnchw表示多维张量中的元素，σnc表示像素值的方差，tnc表示风格矢量，n表示批次索引，c表示通道索引；
12、在风格融合组件中，风格融合运算符通过基于通道的操作利用风格特征来生成特定于示例的风格权重，表示为：
13、znc＝wc·tnc
14、
15、式中，wc表示权重矩阵，znc表示进行线性变换后的结果，表示样本均值，表示样本方差，表示一种标准化的过程，βc表示仿射变换参数，gnc表示风格权重。
16、进一步的，所述卷积层表示为：
17、
18、式中，表示第l个卷积层的输出；cl-1为第l-1层的通道；为第l层卷积核为对应的偏置项；*为卷积运算操作；σ(·)为激活函数，表示第i个通道的输入特征。
19、进一步的，所述激活函数表示为：
20、
21、其中，ω表示最大均值差异权重系数，表示为：
22、
23、式中，p表示训练进度，范围在(0,1)之间，xi表示第i个神经元的输出值。
24、进一步的，在所述组归一化模块中执行以下步骤：
25、将组归一化模块的输入通道分成多个组；
26、对每个组内的通道进行标准化处理；
27、组归一化模块的输出y表示为：
28、
29、式中，μg表示第g组通道的均值，σg表示第g组通道的标准差，e表示逐元素乘法，ε和υ表示可学习的参数，m为输入组归一化模块的输入特征。
30、进一步的，所述池化层选用最大池化，表示为：
31、
32、其中，ys表示区域t的输出值，表示第t个d×d大小的区域，d表示池化窗口的大小；h(d,d)表示一个d×d大小的窗函数。
33、进一步的，在所述自注意力模块中执行以下步骤：
34、第一步：输入特征图p经过线性变化分别得到查询矩阵qi、键矩阵ki和值矩阵vi，表示为：
35、qi＝p·wiq
36、ki＝p·wik
37、vi＝p·wiv
38、其中，wiq、wik、wiv表示线性变化的参数矩阵；
39、第二步：由键矩阵转置而来，将和qi进行点乘，得到其相关性，通过softmax函数计算残差自注意力模块的权重矩阵，其公式为：
40、
41、其中，d表示参数矩阵的维数；
42、第三步：vi和atti进行矩阵乘法运算，与输入特征进行残差连接得到自注意力模块的输出，其公式为：
43、
44、其中，atti表示残差自注意模块的权重矩阵；表示自注意力输出；sa表示残差自注意模块的输入。
45、进一步的，所述分类器使用softmax,表示为：
46、
47、式中，yi表示第i个样本softmax归一化输出结果，表示输出概率，p(yi＝n|xi)表示在给定输入向量xi的情况下，输出yi属于类别n的概率，n表示模型需要预测的类别数量，ωi代表模型中的第i个权重向量。
48、进一步的，所述预训练的cnn模型是通过最小化复合损失函数训练得到；
49、所述复合损失函数表示为：
50、lcombined＝w1lfocal+w2llog+w3lboundary+lreg
51、式中，w1,w2,w3表示不同损失项的权重；
52、其中，lfocal表示为：
53、lfocal＝-αt(1-pt)γlog(pt)
54、式中，αt,γ表示类别平衡系数和调节参数，pt表示模型对于实际类别的预测概率；
55、其中，llog表示为：
56、
57、式中，c表示类别的索引，c表示类别的总数，表示真实标签的向量，表示模型预测的类别概率向量；
58、其中，lboundary表示为：
59、
60、式中，i表示第i个样本，是本文档来自技高网...
【技术保护点】
1.一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：在重新校准模块中，风格池化组件用于从输入张量中提取风格特征，N表示样例数量，C为通道数量，H、W表示空间维度；风格融合组件利用风格特征来生成特定于示例的风格权重重新校准模块的输出张量为风格权重和输入张量的乘积。
3.根据权利要求2所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：在风格池化组件中，风格池化运算符通过汇总跨空间维度的特征响应来从每个通道提取风格特征，表示为：
4.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：所述卷积层表示为：
5.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：所述激活函数表示为：
6.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：在所述组归一化模块中执行以下步骤：
7.根据权利要求1所述的一种基于改进CNN模型的
8.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：在所述自注意力模块中执行以下步骤：
9.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：所述分类器使用Softmax,表示为：
10.根据权利要求1所述的一种基于改进CNN模型的电机轴承故障诊断方法，其特征在于：所述预训练的CNN模型是通过最小化复合损失函数训练得到；
...【技术特征摘要】
1.一种基于改进cnn模型的电机轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进cnn模型的电机轴承故障诊断方法，其特征在于：在重新校准模块中，风格池化组件用于从输入张量中提取风格特征，n表示样例数量，c为通道数量，h、w表示空间维度；风格融合组件利用风格特征来生成特定于示例的风格权重重新校准模块的输出张量为风格权重和输入张量的乘积。
3.根据权利要求2所述的一种基于改进cnn模型的电机轴承故障诊断方法，其特征在于：在风格池化组件中，风格池化运算符通过汇总跨空间维度的特征响应来从每个通道提取风格特征，表示为：
4.根据权利要求1所述的一种基于改进cnn模型的电机轴承故障诊断方法，其特征在于：所述卷积层表示为：
5.根据权利要求1所述的一种基于改进cn...
【专利技术属性】
技术研发人员：陈雯，李垣江，祖传金，盖志强，邓小乔，张佳，周稳兰，
申请(专利权)人：江苏科技大学，
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。