【技术实现步骤摘要】
本专利技术涉及齿轮箱故障诊断领域，特涉及一种基于mcnn与特征融合vit的齿轮箱故障诊断方法。
技术介绍
1、大型挤压造粒机是石油化工类企业中的关键设备，主要用于将聚合物反应釜中生成的聚烯烃等粉末状原材料转化为规则几何形状的颗粒。由于箱体复杂的结构，多变的影响因素和产生故障的形式多种多样，从而给故障源定位和故障类型的识别带来巨大的阻碍，最常见的齿轮故障包括磨损、裂纹、断裂和点蚀等。针对齿轮箱的运行特点和故障类型，厘清故障发生的机理和特点，合理选择传感器网络布局和故障诊断方法，是实现石化挤压造粒机故障诊断的重要基础。
2、目前常规的管理手段是设备的运行状态监控与人工巡检相结合，但受限于监控数据的不完整性、人工巡检的滞后性以及人工经验的有限性，对设备故障的在线诊断和预测一直未取得明显的效果。
3、随着技术的进一步发展，大多通过分析齿轮箱的振动信号来诊断其运行状态以及故障的发生及类型。诊断的主要方法包括基于动力学模型的诊断和基于数据驱动的机器学习技术。在机器学习技术中，又可细分为浅层机器学习和深度学习大类，各自在处理复杂故障诊断问题时展现出独特的优势。
4、综上所述，现有技术路线主要有以下3种：
5、1.基于传统动力学模型的故障预测方法。通过分析故障信号固有特性来实现故障的实时预测，结合加工精度、传动误差、传动效率、时变啮合刚度、轴承摩擦、啮合误差等物理因素构建数学动力模型，模拟齿轮运行状态，达到故障预测的目的。
6、这种方法在建模过程中存在一定的复杂性。特别是对于石化行业中
7、2.基于传统机器学习的故障诊断方法。机器学习通过不断使用标注的样本训练模型的模式识别能力，提高其处理和分析数据的能力。侧重于使计算机系统能够从数据中学习并自我优化。通过分析大量样本数据，自动识别出模式和关联，达到不需明确编程即可作出相应的决策和预测的效果。
8、其中浅层机器学习方法需要人工提取有效的数据特征作为机器学习算法的输入，从而识别出数据中所包含的故障信息。时域分析主要依据振动信号的振幅和频率等参数分析诊断，但这种方法的诊断效果往往受设备运行状态的影响较大，特别是在故障状态下，信号的非平稳性和非线性可能会导致分析结果不准确。频域分析则侧重于分离和强化与故障相关的频率成分，这种方法在展示故障特征时更为直观，但对于含有复杂频率成分的信号，其分析精度可能受限。
9、3.深度学习是一种基于多层次复杂人工神经网络的机器学习方法，本质上通过模拟神经元、构建多层神经网络来实现的复杂运算和推理过程。基于深度学习的算法在其发展初期因其无法解决异或等线性不可分问题而陷入低谷，但随着sigmoid、tanh、relu等激活函数的引入，神经网络实现了运算结果的去线性化，从而具备了非线性拟合能力，得到了长足的发展。在特定任务中，深度学习能够自动对数据进行分析学习，有效地从数据中挖掘出各种层次和维度的特征表示，从而展示出更强的数据解析和理解能力。目前，深度学习领域中常用的技术包括深度信念网络(dbn)、卷积神经网络(cnn)、递归神经网络(rnn)和transformer。
10、尽管深度学习技术的表现出色，但其性能的发挥依赖于充足均衡的标注数据样本。这一需求在故障诊断领域成为了深度学习应用的一个重要限制。
11、深度学习模型通过端到端的学习方式，自动从数据中学习特征表示，能够更好地在故障诊断任务中适应不同故障模式和工况下的数据特征，具有更强的泛化能力和自适应性。然而，在实际的工作环境中，由于挤压造粒机的齿轮箱大部分时间都处于正常的状态下，所以故障样本数量十分稀缺，因此，故障诊断模型必须在有限的样本数量下拥有较强的特征提取能力才能完成故障诊断任务。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于多尺度卷积神经网络与特征融合vit的轻量化齿轮箱故障诊断模型。本专利技术利用mcnn从多个尺度捕捉数据的特征信息，充分提取输入信息的局部特征；然后，通过vit网络中的多头注意力机制获取故障信息的全局特征，并使用深度可分离卷积减少模型的参数量。通过齿轮箱数据进行实验验证，结果表明所提模型具有较高的故障诊断准确率和良好的泛化能力。
2、本专利技术的技术方案是：一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于，包括以下步骤：
3、步骤1：将传感器所采集的齿轮箱一维振动数据进行归一化处理，并划分为训练集和测试集；
4、步骤2：模型参数初始化，并将训练集数据送入模型中提取故障特征，同时利用反向传播优化算法优化模型参数。
5、步骤21：对卷积层、全连接层、多头注意力机制等参数进行初始化；
6、步骤22：多尺度特征提取模块：
7、输入的训练集数据通过多尺度卷积提取模块，卷积核在输入信号上滑动，提取不同位置的局部特征，第一层卷积：卷积核大小为300×1，提取振动信号的整体大致特征；
8、第二层卷积：卷积核大小为200×1，关注振动信号中的变化特征；
9、第三层卷积：卷积核大小为100×1，关注振动信号的细节特征；
10、最后，经过三层卷积后，生成特征图序列；
11、步骤23：轻量化特征融合vit：
12、将输入特征图序列分割为多个子序列，并将每个子序列进行线性投影，映射到不同的子空间中；在每个子空间中独立计算注意力权重，在每个单头注意力机制之前和之后引入残差连接；通过加权求和得到多头注意力输出特征向量；
13、步骤24：深度可分离多层感知机d-mlp：通过全连接层将输入特征向量映射到更高维度的空间，捕捉复杂特征，利用逐点卷积的方式降低模型的参数量；采用gelu激活函数：通过gelu函数增强网络的收敛性和稳定性；
14、步骤25：分类层：通过分类层将提取的特征映射到故障类别，输出故障诊断结果；
15、步骤26：利用反向传播优化算法对参数进行优化；
16、步骤3：判断模型迭代批次是否大于预设值，如果大于，则保存模型参数，如果小于或者等于，则返回步骤2继续训练；
17、步骤4：将测试集数据送入训练好的模型中测试模型，由分类层输出故障诊断结果。
18、根据如上所述的一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于：步骤1中，90％的数据为训练集，10％的数据为测试集。
19、根据如上所述的一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于：步骤21中，卷积层的参数包括卷积核权重和每个卷积层对应的偏置项；全连接层的参数包括权重矩阵和全连接层的权重矩阵；多头注意力机制的参数为投影权重矩阵和优化残差连接的参数。
20、根据如上所述的一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于：步骤23的具体过程为：将输入特征图序列分割为多个子序列，本文档来自技高网...
【技术保护点】
1.一种基于MCNN与特征融合ViT的齿轮箱故障诊断方法，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MCNN与特征融合ViT的齿轮箱故障诊断方法，其特征在于：步骤1中，90％的数据为训练集，10％的数据为测试集。
3.根据权利要求1所述的一种基于MCNN与特征融合ViT的齿轮箱故障诊断方法，其特征在于：步骤21中，卷积层的参数包括卷积核权重和每个卷积层对应的偏置项；全连接层的参数包括权重矩阵和全连接层的权重矩阵；多头注意力机制的参数为投影权重矩阵和优化残差连接的参数。
4.根据权利要求1所述的一种基于MCNN与特征融合ViT的齿轮箱故障诊断方法，其特征在于：步骤23的具体过程为：将输入特征图序列分割为多个子序列，并将每个子序列进行线性投影，将其映射到不同的子空间中生成多个子序列的表示；在每个子空间中，通过公式(1)至公式(4)独立地计算注意力权重，
5.根据权利要求1所述的一种基于MCNN与特征融合ViT的齿轮箱故障诊断方法，其特征在于：步骤24具体过程为：首先，可分离多层感知机D-MLP通过第一个全连接层根据矩阵
6.根据权利要求1所述的一种基于MCNN与特征融合ViT的齿轮箱故障诊断方法，其特征在于：步骤25中分类层采用Softmax分类器，将输出特征非线性得分转换为概率分布，每个类别对应一个概率值。
7.根据权利要求1所述的一种基于MCNN与特征融合ViT的齿轮箱故障诊断方法，其特征在于：步骤3中模型迭代批次范围在100至200次之间。
...【技术特征摘要】
1.一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，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mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于：步骤1中，90％的数据为训练集，10％的数据为测试集。
3.根据权利要求1所述的一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于：步骤21中，卷积层的参数包括卷积核权重和每个卷积层对应的偏置项；全连接层的参数包括权重矩阵和全连接层的权重矩阵；多头注意力机制的参数为投影权重矩阵和优化残差连接的参数。
4.根据权利要求1所述的一种基于mcnn与特征融合vit的齿轮箱故障诊断方法，其特征在于：步骤23的具体过程为：将输入特征图序列分割为多个子序列，并将每个子序列进行线性投影，将其映射到不同的子空间中生成多个子序列的表示；在每个子空间中，通过公式(1)至公式(4)独立地计算注意力权重，
<...【专利技术属性】
技术研发人员：张建超，邱军，叶荣，周图南，莫益辉，王永贵，林珏，柳江斧，陈彬，
申请(专利权)人：中机数科北京信息技术有限公司，
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。