一种基于多向注意力机制的CNN电机故障诊断方法

本发明属于电机故障诊断领域，具体提供一种基于多向注意力机制的cnn电机故障诊断方法。

背景技术：

1、电机故障诊断能防止电机故障导致的重大灾害和经济损失，对于当下人类社会的发展尤为重要。依赖于大数据以及计算机技术的发展，现阶段电机故障诊断的研究，逐渐以先数据处理，再故障识别为主。但受到电机本身复杂程度的影响，电机故障类型较多，并且故障数据本身包含的故障参数也十分繁杂。如何准确识别故障数据，并进行有效分类，成为该领域的研究热点。

2、当下的研究中基于采集电机数据进行故障诊断方法有很多，但是电机数据的处理依旧是该研究领域中较难的一个环节。目前的主流数据处理方法中，深度学习方法相较于机器学习方法，在数据特征提取方面的能力更强。卷积神经网络就是一种较为典型的深度学习方法，目前应用卷积神经网络将数据转化为图像进行故障分类的方法已经产生。该方法的优越性主要体现在，仅仅只需较少的处理步骤就能实现精确的数据处理能力和稳定的故障识别结果。然而，当前基于该方法的电机故障检测研究，在数据预处理阶段只关注到了连续小段采样数据的特征，数据提取后样本之间的差异并没有得到重视。

技术实现思路

1、本发明基于上述研究背景问题，提出了一种新的时域故障数据转换为灰度图像的处理方法，使数据的预处理阶段更加精细化。并且针对故障识别阶段设计了一种多向注意力机制，提高了采集的数据样本之间的辨识度。并用该机制改良cnn网络。使得整个电机故障诊断过程更加精确和稳定。

2、本发明的具体方案是：

3、s1、从原始时域数据中提取数据，组成样本数据组，并将全体样本数据转化成灰度图像。

4、s2、提出了一种多向注意力机制设计。

5、s3、提出了一种基于多向注意力机制改进的cnn网络结构。能够对s1中得出的图像进行处理并分类。

6、进一步的，步骤s1中需要依次间隔提取数据，组成长度为s的若干数据组，数据提取方式表现为：

7、，

8、其中，为原始一维时域信号的对应位置点数据，为数据组，代表的数据长度，代表取样数据长度，，。

9、进一步的，步骤s1中为了使每组数据样本依次满足图像的像素点要求，且确保图像尺寸的完整性。依据每组数据长度获得s×s尺寸的灰度图像，图像尺寸的具体表达式为：

10、，

11、其中，为函数，为取整函数。

12、进一步的，步骤s1中针对数据长度并非刚好构成长宽相等的情况进行处理，得到标准图像尺寸。表达式如下：

13、，

14、其中为函数，可生成全零矩阵。

15、进一步的，步骤s1中将数据转换成像素点，并构成灰度图像主要根据下述式子：

16、，

17、，

18、上述式子中，表示每组的数据信号，表示图像的像素强度。是舍入函数，作用是将取样的时域数据归一化到0至255的整数值作为灰度图像的像素强度；和代表图像像素点的行和列，代表转换后的灰度图像。

19、进一步的，步骤s2设计具体表述为：

20、多向注意力机制充分考虑了八个特定方向上长宽相等的灰度图像数据全局像素点之间的相关性。八个方向的注意特征映射分别由标注所示，其注意力函数分别为：。用核大小为的卷积层对进行卷积，然后执行sigmoid函数以获得特征图。定义如下所示：

21、，

22、其中，代表激活函数，代表注意力函数中卷积的权重。从输入特征图的周围像素中获取多向注意力特征图的方程式如下所示：

23、，

24、其中，和分别表示特征图的位置坐标和图像的宽度和高度，代表的上方像素，代表的左下方像素，负号代表逆序。

25、进一步的，步骤s3的具体实现步骤为：

26、s3-1、基于多向注意力机制改进的cnn网络结构以图像识别中应用广泛的lenet-5为基础，包含4个交替的卷积层处理，每个交替层间均含有归一化层和激活层。每层加入归一化层，可以使得每层网络的输出范围在一个合适的范围内，使得后续操作快速收敛，并且可以增加网络在训练集的准确率和泛化能力。每层加入激活层，可以使得网络输出更加具有鲁棒性和非线性特征，更好的表达输入的非线性特征，进而提高网络的分类性能。

27、s3-2、第四层池化层的输出作为多向注意力机制的输入生成八个方向的特征图。

28、s3-3、将s3-2输出的特征图经过特征级联后输入一层卷积和一层自适应池化层，最后经过展平输入分类层进行数据分类得到故障诊断结果。

29、与现有技术相比，本发明的有益效果在于：

30、首先，将时域数据转化为灰度图像的优点是：不需要预设其他参数，仅仅只需设定采集数据后，数据组成的样本长度，就能够减少专家经验的影响，并通过合理的数据划分、像素点排列和零填充减少图像样本之间的差异。

31、其次，提出了多向注意力机制对cnn进行改进，通过关注图像像素间的相关性以及改进网络层间结构，增强了网络的泛化性、鲁棒性和稳定性。

32、最后，本发明提出的方法，即多向注意力机制cnn（mdam-cnn）相对于lenet-7、resnet18、多注意力cnn（ma-cnn）、四方向注意力cnn（fda-cnn）、挤压激励多尺度卷积神经网络（ms-se-cnn）、lenet-5、dbn、svm和elm而言，拥有更高的诊断准确性和稳定性。

技术特征：

1.一种基于多向注意力机制的cnn电机故障诊断方法其主要特征在于，方法的具体流程为：

2.一种基于多向注意力机制的cnn电机故障诊断方法其主要特征在于，权利要求1中步骤s1的具体实现步骤为：

3.一种基于多向注意力机制的cnn电机故障诊断方法其主要特征在于，权利要求1中步骤s2的设计具体表述为：

4.一种基于多向注意力机制的cnn电机故障诊断方法其主要特征在于，权利要求1中步骤s3的具体实现步骤为：

技术总结
本发明针对电机故障诊断领域，公开了一种基于多向注意力机制的CNN电机故障诊断方法，包括如下步骤：将采集的电机信号从时域数据转化为灰度图像，即全局特征视域下的数据转换方法；提出一种多向注意力机制，用于提高电机故障诊断的准确性；基于上述多向注意力机制，改进卷积神经网络结构，提高对故障数据的识别分类能力；最后选取轴承故障数据集、转子故障数据集和异步电机故障数据集，分别代入本发明和一些传统电机故障诊断方法进行对比实验。实验结果表明：本发明相较于传统电机故障诊断方法，不仅在数据预处理方面更加优越，在故障诊断的准确度上也更具优势，而且网络结构整体的的泛化能力、鲁棒性和稳定性都有所提升。

技术研发人员：于文新,钟广林,熊义毛,蒋佳润
受保护的技术使用者：湖南科技大学
技术研发日：
技术公布日：2024/1/15