CN119475191A 基于残差收缩卷积和注意力机制的旋转机械故障诊断方法 （洛阳理工学院）

基于残差收缩卷积和注意力机制的旋转机本发明公开了一种基于残差收缩卷积和注械故障诊断领域。该方法首先基于Meta_ACON设在多通道残差收缩卷积单元之后引入GSoP注意强化了对判别性特征的提取能力。测试结果表明，该方法具有较好的故障识别能力和泛化能2好的故障诊断网络模型对旋转机械进行故障检测，所述故障诊断网络模型的计算过程包S3，将S2中输出特征图II送入全局二阶池化模块，2.根据权利要求1所述的基于残差收缩卷积和注意力机制的旋转机械故障诊断方法，p2为负向动态加权系3.根据权利要求2所述的基于残差收缩卷积和注意力机制的旋转机械故障诊断方法，4.根据权利要求2或3所述的基于残差收缩卷积和注意力机制的旋转机械故障诊断方信道的滤波阈值τ。5.根据权利要求1所述的基于残差收缩卷积和注意力机制的旋转机械故障诊断方法，3[0003]基于振动信号的旋转机械故障诊断是通过提取故障信号中的有效特征信息进行素下提取更具判别性特征的诊断模型成为提高故障诊断准确率和鲁棒性效特征。ECNN模型采用扩张卷积扩大感受野，综合获取振动信号的局部和全局故障特征。4[0011]因此上述方法仍然存在复杂工作环境下特征提取不够充分和模型泛化能力不足[0012]本发明的目的在于提供一种结合改进的残差收缩卷积和全局二阶池化注意力机5p2为负向动态加[0017]优选地，所述激活层ACON_FilterNet实现信道级别参数滤波阈值τ和正向动态加个信道的滤波阈值τ。所属类别。6图7为本发明实施例中模型在数据集DCWRU上图10为本发明实施例中模型在数据集DGe7frua(x)=Meta_ACON(p1,0,B,x-r)-MetaACON(p,0,B,-(x+t))（1）p2为负向动态加x)=(p-p)x-o(p(p-p)x)+p'x（2）[0031]基于Meta_ACON设计的激活函数，通过动态调整参数实现激活函数在非线性和线元参数来设计激活层ACON_Filter[0034]具体地，所述激活层ACON_FilterNet实现信道级别参数滤波阈值τ和正向动态加本实施例中，所述宽卷积预处理层包括依次连接的大尺寸1维卷积层、批归一化8Fonoz(x)=o,e(BN{conv1d(w,x)?)（4）oreu=max(0,x)（6）式中，Fconma(·)为一维卷积复合运算，Jret表示ReLU激活函数，BN(·)表示批多通道残差收缩卷积单元MBRSC采用带残差连接的收缩卷积双通道来提取信号的[0040]xt1=Fcomx1(concatfFSC1(xi),FSCZ(x))+h(xi)（7）本模型的注意力机制设计采用信道注意力模块。常用的压缩与激励（Squeeze_x'=cov(xi)9y'=sx（11）xeRocol，x表示协方差矩阵运算的输出，积降维到x'eRCXI（公式8通过协方差运算进行二阶池化，计算信道之间相关性，得到本实施例中，分类层包括全局平均池化GAP层和全连接FC层，其具体运算如下所x:'=⃞xace(0,c-1]（13）P=softmax(wn.x)（14）使用Softmax激活函数最终得到故障类别的概率分布值，概率值最大的类别即为故障信号所属类别。使用美国西储大学轴承数据集和康涅狄格大学的两级齿轮箱数据集对本发明进本实施例的多通道收缩卷积单元低通道卷积核大小设置为1*31&1*15，多通道收的模型1.B与使用GSoP注意力机制的本发明方法之间。这表明收缩滤波模块和GSoP注意力明本发明方法中的基于Meta_ACON改进的软阈值滤波模块比残差收缩模块更能提高模型的较强的抗噪声诊断性能和变负荷的泛化诊断[0070]为了验证本发明故障诊断方法的有效性，实验选取首层宽卷积深度神经网络[0071]抗噪声诊断性能测试实验是在数据集DCWRU上加入不同信噪比的高斯噪声以模拟为了验证本发明故障诊断方法在变负荷条件下的诊断性能，分别选取0hp、1hp、其他对比组方法，说明本发明的方法在CWRU数据集上具有较好的变负荷故障诊断泛化能distributedstochasticneighborembedding)技术对模型每一层输出的特征图进行降在数据集DGear上加入SNR为6的白噪声，模型训明模型在验证集上的故障诊断准确率可达到9