[发明专利]基于多头注意力及轴系设备周期性的故障诊断方法

说明书

本发明提供一种基于多头注意力及轴系设备周期性的故障诊断方法。该方法包括：步骤1：采集轴系设备若干个周期的待诊断样本，在所述待诊断样本中加入轴系设备的周期性信息后进行标准化处理；步骤2：将标准化处理后的样本数据作为多头注意力故障诊断模型的输入，得到故障诊断结果。针对轴系设备振动信号具有周期性、非线性、耦合性的特点，本发明将轴系设备的周期性特征融入到时域故障信号数据中，用两种位置编码区分长距离信息的方向性，具有较强的长距离信息提取能力和较高的并行计算能力。

技术领域

本发明涉及轴系设备故障诊断技术领域，尤其涉及一种基于多头注意力及轴系设备周期性的故障诊断方法。

背景技术

随着生产发展和科学技术的现代化，使得现代机械设备的结构愈加复杂，各种各样的功能也愈发全面，机械设备自动化的程度也在不断的提高，而轴系设备是其中重要的组成结构。由于许多因素的影响，轴系设备具有其使用寿命，且容易发生故障，可能导致降低其预期功效，停止运转等，甚至造成更严重的灾难性事故。因此，及时发现故障，识别故障类型，不仅有助于延长其使用寿命，也能够有效的避免危险事故的发生。

随着计算机计算能力的不断提升，以及工业监测技术的成熟，在工业领域运用大数据方法对所监测的数据进行分析挖掘，利用数据中潜在的价值信息进行故障诊断有着重要的研究意义，基于数据驱动的故障诊断算法受到越来越多的关注。深度学习是一种基于数据进行表征学习的方法，非常适合于提取大数据特征，进行故障诊断。但是现有的基于深度学习的故障诊断方法，大多是基于卷积神经网络(CNN)和循环神经网络(RNN)框架下的方法(例如，文献1：Abdeljaber O,Avci O,Kiranyaz S,et al.Real-time vibration-basedstructural damage detection using one-dimensional convolutional neuralnetworks[J].Journal of SoundVibration, 2017,388:154-170；文献2：Yu J,ZhouX.One-Dimensional Residual Convolutional Autoencoder Based Feature Learningfor Gearbox Fault Diagnosis[J].IEEE Transactions on Industrial Informatics,2020,16(10):6347-6358)。卷积神经网络是一种并行计算的模型，非常适合于GPU的分布式并行计算。但是由于其受制于卷积核的大小，不能完整的提取长距离信息，在轴系设备故障诊断的应用中会出现分类精度低，学习曲线不平稳等缺点。循环神经网络以及其改进模型长短记忆网络(LSTM)(采用该类型网络的方法如文献3：张建付,宋雨,李刚,王传洋,焦亚菲. 基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法[J].计算机测量与控制,2017,25(01):16-19；文献4：Yue G,Ping G,Lanxin L.An End-to-End model based onCNN-LSTM for Industrial Fault Diagnosis and Prognosis[C]//2018 InternationalConference on Network Infrastructure and Digital Content(IC-NIDC). 2018；)擅长提取长距离信息，但是由于其当前计算依赖于上一时刻的计算结果，它必须逐个单元计算，这严重阻碍了GPU并行性的充分发挥。所以在轴系设备的故障诊断中，寻找一种提取长距离信息能力强，并行计算程度高的方法是非常有必要的。

发明内容

针对传统故障诊断方法存在的提取长距离相关性信息困难，或者并行计算程度低的问题，本发明提供一种基于多头注意力及轴系设备周期性的故障诊断方法，至少部分地上述问题。

本发明提供一种基于多头注意力及轴系设备周期性的故障诊断方法，包括：

步骤1：采集轴系设备若干个周期的待诊断样本，在所述待诊断样本中加入轴系设备的周期性信息后进行标准化处理；