[发明专利]一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法

权利要求书

1.一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法，其特征在于，包括以下步骤：

步骤a，将数据集划分为训练集和测试集，并对其原始信号进行归一化操作；

步骤b，将步骤a归一化后的数据转换成对应于不同故障情况的二维灰度图并设置对应的标签；

步骤c，将步骤b得到的灰度图像输入卷积神经网络进行特征提取；

步骤d，利用注意力机制模块提取图像的显著性特征，并将输出值约束在0-1之间；

步骤e，将步骤c从卷积神经网络中提取的特征与其对应的注意力机制模块所输出的显著性特征进行逐元素相乘；

步骤f，将步骤e相乘得到的结果输入门控循环单元，通过门控循环单元捕捉时序数据的时间相关性；

步骤g，最终利用softmax分类器输出分类标签。

2.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法，其特征在于，所述步骤a中，采用min-max标准化方法对轴承信号进行归一化处理，并将其结果映射到[0,255]之间，具体公式为：

其中，X是原始数据，Xnorm是归一化之后的结果，Xmax是原始数据中最大值，Xmin是原始数据中最小值，这里为了消除小数，使用round函数对数值进行四舍五入。

3.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法，其特征在于，所述步骤b中，在转换过程中，采用直接转换的方法，从一维信号中随机截取一段N²的信号，将信号值逐行填充到N×N矩阵中，即每N个信号值都可以填充到矩阵的一行中，然后对矩阵进行标准化，从而得到相应的灰度图；填充的数据被归一化为0到255，并且使用零填充来防止数据输入到卷积神经网络时的大小损失。

4.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法，其特征在于，所述步骤c中，卷积神经网络采用LeNet-5的结构，结构由两部分组成：卷积编码器：由两个卷积层组成；全连接层密集块：由三个全连接层组成。

5.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法，其特征在于，所述步骤d中，利用与卷积神经网络并行的注意力机制模块提取图像的显著性特征，同时注意力机制模块的输出同卷积神经网络的输出维度保持一致，并通过Sigmoid函数将其输出值约束在0-1之间，具体公式为：

其中，x是注意力机制模块的输出结果。

6.根据权利要求1所述的基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法，其特征在于，所述步骤f中，将步骤e提取到的关键特征输入门控循环单元，完整的门控循环单元，包括多个计算单元，其前向传递描述为：

z_t＝σ(W_xzx_t+W_hzh_t-1+b_z)

r_t＝σ(W_xrx_t+W_hrh_t-1+b_r)

y_t＝σ(W_o·H_t)

其中，z_t与r_t表示更新门与重置门；与H_t为候选隐藏状态与隐藏状态；x_t为给定时间步t的数据输入；y_t为输出层输出；W_xz，W_hz，W_xr，W_hr，W_o均表示对应环节的权值矩阵；b_z，b_r，均表示对应环节的偏置矢量；σ为sigmoid函数；tanh为双曲正切函数；⊙为点积。