【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法及装置。
技术介绍
1、在快速发展的在线无线物联网领域，电机的应用也极为广泛，对轴承健康状况的监控成为快速维修和精准维护的关键。因此，需要对有效的轴承故障诊断方法进行研究，在轴承故障的早期准确地进行预测并及时更换，以防止电机系统因故障发生严重损坏和灾难性后果。
2、传统轴承故障诊断，通常依赖于人工经验和专业知识一一进行各轴承的诊断检测，而人工经验和专业知识存在一定的主观因素，因而导致诊断结果的准确性、可靠性和效率受到一定限制。
3、因此，亟需一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法及装置来解决上述问题。
技术实现思路
1、本专利技术提供一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法及装置，用以解决现有技术中诊断结果的准确性、可靠性和效率受限的缺陷，实现自动、实时、精确地进行轴承的故障诊断。
2、本专利技术提供一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，包括：
3、获取目标轴承的实际运行参数，并根据所述目标轴承的实际运行参数，获取目标输入信息；
4、将所述目标输入信息输入至故障诊断模型，得到所述目标轴承的故障诊断预测信息；
5、其中，所述故障诊断模型是基于样本轴承的实际运行参数和模拟运行参数，以及所述实际运行参数和所述模拟运行参数各自对应的故障类别标签，对聚合注意力视觉感知模型进行训练得到的；所
6、根据本专利技术提供的一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，所述故障诊断模型是基于如下步骤训练的：
7、以预设故障状态、预设约束条件为输入参数，对所述样本轴承对应的数字孪生模型中的动力学模型进行仿真，得到所述样本轴承的模拟运行参数；所述预设故障状态包括单一故障状态和复合故障状态，所述预设约束条件为用于约束轴承运行工况的条件；
8、对所述样本轴承的实际运行参数和模拟运行参数进行故障类别标记，得到所述实际运行参数和所述模拟运行参数各自对应的故障类别标签；
9、分别对所述实际运行参数和所述模拟运行参数进行预处理，得到所述实际运行参数对应的第一样本输入信息和所述模拟运行参数对应的第二样本输入信息；所述预处理包括连续小波变换处理；
10、以所述第一样本输入信息和所述第二样本输入信息为样本数据，以所述实际运行参数和所述模拟运行参数各自对应的故障类别标签为样本标签，构建样本数据集；
11、根据所述样本数据集，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型。
12、根据本专利技术提供的一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，所述根据所述样本数据集，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型，包括：
13、将所述样本数据集中的第一样本输入信息和第二样本输入信息输入至所述聚合注意力视觉感知模型，得到所述实际运行参数和所述模拟运行参数各自对应的故障诊断预测信息；
14、根据所述第一样本输入信息和所述第二样本输入信息之间的最大均值差异，获取第一损失函数；
15、根据所述实际运行参数和所述模拟运行参数各自对应的故障诊断预测信息与所述实际运行参数和所述模拟运行参数各自对应的故障类别标签之间的偏差，获取第二损失函数；
16、联合所述第一损失函数和所述第二损失函数，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型。
17、根据本专利技术提供的一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，所述联合所述第一损失函数和所述第二损失函数，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型，包括：
18、对所述第一损失函数和所述第二损失函数进行加权相加，得到目标损失函数；
19、根据所述目标损失函数，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型。
20、根据本专利技术提供的一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，所述动力学模型是基于如下公式计算得到：
21、；
22、其中，、、、、分别为所述数字孪生模型中虚拟轴承的内环的水平平移位移、垂直平移位移、质量、阻尼和刚度，和分别为所述内环的水平平移位移对应的一阶导数和垂直平移位移对应的一阶导数，和分别为所述内环的水平平移位移对应的二阶导数和垂直平移位移对应的二阶导数；、、、、分别为所述虚拟轴承的外环的水平平移位移、垂直平移位移、质量、阻尼和刚度，和分别为所述外环的水平平移位移对应的一阶导数和垂直平移位移对应的一阶导数，和分别为所述外环的水平平移位移对应的二阶导数和垂直平移位移对应的二阶导数；、、、分别为所述虚拟轴承的单元谐振器的垂直平移位移、质量、阻尼和刚度，和分别为所述单元谐振器的垂直平移位移的一阶导数和二阶导数；为施加于所述内环的径向载荷；和分别为所述虚拟轴承的水平和垂直方向上的赫兹接触力；为重力加速度。
23、根据本专利技术提供的一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，所述聚合注意力视觉感知模型包括预处理层、第一特征层、下采样层、聚合注意力层、第二特征层、池化层和全连接层；
24、其中，所述预处理层是基于卷积层和残差层构建形成的；
25、所述第一特征层和所述第二特征层中的每一特征层均是基于第一特征块和第二特征块构建形成的，所述第一特征块是基于多个不同卷积核大小的卷积层、se注意力层和前馈网络层构建形成的；所述第二特征块是基于多个不同卷积核大小的卷积层和前馈网络层构建形成的；
26、所述下采样层是基于所述第二特征块、多个不同卷积核大小的卷积层和前馈网络层构建形成的。
27、根据本专利技术提供的一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，所述根据所述目标轴承的实际运行参数，获取目标输入信息，包括：
28、对所述目标轴承的实际运行参数进行连续小波变换处理，得到多个不同尺度的时频特征；
29、根据多个不同尺度的所述时频特征，获取所述目标输入信息。
30、本专利技术还提供一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断装置，包括：
31、获取单元，用于获取目标轴承的实际运行参数，并根据所述目标轴承的实际运行参数，获取目标输入信息；
32、诊断预测单元，用于将所述目标输入信息输入至故障诊断模型，得到所述目标轴承的故障诊断预测信息；
33、其中，所述故障诊断模型是基于样本轴承的实际运行参数和模拟运行参数，以及所述实际运行参数和所述模拟运行参数各自对应的故障类别标签，对聚合注意力视觉感知模型进行训练得到的；所述模拟运行参数是对所本文档来自技高网...
【技术保护点】
1.一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述故障诊断模型是基于如下步骤训练的：
3.根据权利要求2所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述根据所述样本数据集，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型，包括：
4.根据权利要求3所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述联合所述第一损失函数和所述第二损失函数，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型，包括：
5.根据权利要求2所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述动力学模型是基于如下公式计算得到：
6.根据权利要求1-5任一所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述聚合注意力视觉感知模型包括预处理层、第一特征层、下采样层、聚合注意力层、第二特征层、池化层和全连接层；
...【技术特征摘要】
1.一种基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述故障诊断模型是基于如下步骤训练的：
3.根据权利要求2所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述根据所述样本数据集，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型，包括：
4.根据权利要求3所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述联合所述第一损失函数和所述第二损失函数，对所述聚合注意力视觉感知模型进行迭代训练，得到所述故障诊断模型，包括：
5.根据权利要求2所述的基于数字孪生和聚合注意力视觉感知的轴承故障诊断方法，其特征在于，所述动力学模型是基于如下公式计算得到：
6.根据权利要求1-5任一所述的基于数字孪生和聚合...
【专利技术属性】
技术研发人员：袁烨，张永，方佥智，段亚穷，黄相，
申请(专利权)人：元始智能科技南通有限公司，
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。