[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

说明书

本发明公开了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，包括以下步骤，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；将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；将灰度图像输入卷积神经网络进行特征提取；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；将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；将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；最终利用softmax分类器输出分类标签。本发明能够较佳地提高故障诊断的准确性和鲁棒性。

技术领域

本发明涉及基于深度学习的轴承故障诊断技术领域，尤其涉及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。

背景技术

滚动轴承作为机械设备中的核心部件之一，其健康状况是保证设备能够正常工作的关键因素。据相关文献统计，约有30％的故障是由故障损坏所引起的。一旦因为轴承故障引发大面积的机械故障，会导致整个系统运行出现问题，那么必将导致不可估量的人身、财产损失，所以轴承故障诊断技术的研究具有重要的经济价值和社会效益。

随着人工智能与大数据技术的快速发展，在工业大数据背景下，智能化的故障诊断技术作为保障机械设备安全运行的重要手段，逐渐成为了工业领域的热点问题。故障诊断借助深度学习技术的应用也取得了新的研究进展。作为深度学习的典型技术，注意力机制、卷积神经网络(Convolutional Neural Network,CNN)和门控循环神经单元(GatedRecurrent Unit,GRU)在故障诊断上的研究也取得了很大的进展。

CNN可以通过使用局部感受野和权重分配策略进行优化的方式来减少需要训练的参数数量，有效地减轻训练过程中的计算负担，但CNN的平移不变性和池化层的存在会导致许多非常有价值的空间信息丢失，同时也忽略了局部与整体之间的关联。对于序列信号来说，缺少内部之间的长期依赖关系。然而这种隐藏在序列内部之间的长期依赖关系被认为是一种有助于故障诊断的特征。GRU是长短时记忆网络(Long Short Term Memory，LSTM)的一种变体，LSTM有三个不同的门结构，参数较多，训练起来比较困难。而GRU只含有两个门结构，在超参数全部调优的情况下两者性能相当，且GRU结构更为简单，容易实现。门控机制是为了更好地捕捉时间序列中时间步距离的依赖关系。它通过学习到的门来控制着信息的流动，门控机制控制输入和记忆，在当前时间步做出预测。门控机制的特点在于能够长期保存序列中的信息，且不会随着时间而消失。同样的GRU虽然在时间序列数据的故障诊断上解决了循环神经网络的梯度消失和梯度爆炸问题，但是它固有的顺序性使得GRU模型没有考虑到数据的局部特征，这将导致特征提取不全面，数据利用不充分，信息丢失的问题。

发明内容

发明目的：本发明的目的在于克服数据利用不充分、特征提取不全面、冗余特征干扰故障判断的问题，提出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。

为实现上述目的，本发明采用如下技术方案：

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，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(Convolutional NeuralNetwork,CNN)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(CNN)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；