融合通道注意力机制的ECACNN-BGRU轴承故障诊断方法

本发明涉及基于深度学习的轴承故障诊断，尤其涉及一种融合通道注意力机制的ecacnn-bgru轴承故障诊断方法。

背景技术：

1、滚动轴承作为电动汽车电动机中常见的零件，常常在复杂的热应力环境中和变负载荷下工作，极易受到损伤，影响车辆的正常运行，甚至危害生命财产安全。因此诊断滚动轴承的故障状态具有重要意义。

2、近年来，深度学习逐渐替代了机器学习故障诊断方法，因为它具备强大的数据处理和自学习能力。在滚动轴承故障诊断中，去噪自编码器、卷积神经网络(cnn)和循环神经网络等代表性的深度学习方法已被广泛应用。但是它们都必须要有足够多的样本支持，并且模型需要提取有价值信息才能显示出良好的效果。而在实际环境中，难以满足上述两个要求。一方面装备经常在变负载和变工况情况下运行，这给模型带来了很大的挑战性；另一方面单一的诊断方法会丢失很多有价值的信息，极大的影响了模型的精确度。

技术实现思路

1、有鉴于此，本发明提供一种融合通道注意力机制的ecacnn-bgru轴承故障诊断方法，以解决上述问题。

2、本发明提供一种融合通道注意力机制的ecacnn-bgru轴承故障诊断方法，包括：将轴承故障数据集划分为训练集和测试集；对训练集及测试集中的数据进行数据归一化处理，并通过多尺度卷积神经网络进行特征提取处理，得到轴承故障特征；通过通道注意力机制对轴承故障特征进行数据处理，得到通道特征；将通道特征输入双向门控循环单元，得到时序特征；通过自注意力机制提取训练集及测试集中的数据的显著性特征；通过平展层对自注意力机制输出的多维数据进行降维处理；通过全连接层及分类器输出轴承故障类型标签。

3、在本发明的另一实现方式中，对训练集及测试集中的数据进行数据归一化处理，并通过多尺度卷积神经网络进行特征提取处理，得到轴承故障特征，包括：对训练集及测试集中的数据进行数据归一化处理，将处理结果映射到[β，γ+β]之间：

4、

5、其中，x表示训练集及测试集中的数据，μb表示小批量b的样本均值，σb表示小批量b的样本标准差，γ表示拉伸参数，β表示偏移参数；通过多尺度卷积神经网络进行特征提取处理，得到轴承故障特征。

6、在本发明的另一实现方式中，通过通道注意力机制对轴承故障特征进行数据处理，得到通道特征，包括：使用通道注意力机制通过通道间联系，组成通道注意模块，突显不同通道的通道特征。

7、在本发明的另一实现方式中，双向门控循环单元，包括多个计算单元：

8、

9、

10、

11、

12、其中，ht-1和ht分别表示t-1和t时刻的隐藏层状态向量，是输入xt和隐藏层状态ht-1的结合矩阵，gru(.)函数表示对输入的非线性变换，和分别是t时刻向前和反向的隐层状态的输入和输出，wt、vt分别表示t时刻前向和反向隐状态ht的权重，bt表示t时刻隐层状态的偏置。

13、在本发明的另一实现方式中，融合通道注意力机制的ecacnn-bgru轴承故障诊断方法还包括：将通道特征作为查询向量计算bgru中每个时间步的注意力值，并根据注意力值的大小分配权重：

14、s(k，qt)＝vt tanh(wqt+uk)

15、

16、

17、其中，s(k，qt)为t时刻gru输出向量qt所决定的注意力打分函数，v、w和u为模型需要学习更新的参数，注意力机制输出为第t时刻输出的注意力分布，由att((k，v)，qt)表示。

18、本发明的融合通道注意力机制的ecacnn-bgru轴承故障诊断方法，具有以下有益效果：

19、(1)在原始信号输入后，由于无法得知使用整个数据集来估计平均值和方差，所以只能根据每个小批次的平均值和方差不断训练模型，提高了模型的整体运行效率。

20、(2)先用多尺度卷积神经网络(convolutional neural network，cnn)作为前端提取轴承空间信号特征，再利用通道注意力机制通过通道间联系，组成通道注意模块，突显不同通道的重要特征，最后利用双向门控循环单元(gated recurrent unit，gru)作为后端挖掘轴承数据的时序性，挖掘出完整的特征信息，最大化利用轴承不同维度的信息，极大程度上提高了模型的准确率。

21、(3)利用自注意力机制模块(channel attention mechanism cam)，将bgru的输出作为查询向量计算每个时间步的注意力值，并根据注意力值的大小分配权重，有效的保证得到结果是更为关键的特征信息，屏蔽冗余特征的干扰。

22、(4)该发明方法可以自动学习特征具备智能性、鲁棒性好、模型简单可解释性强易于操作人员理解及推广使用，解决了变负载和变工况的环境中模型准确率不高、数据特征提取不全面和冗余特征干扰故障判断的问题。

技术特征：

1.一种融合通道注意力机制的ecacnn-bgru轴承故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述训练集及所述测试集中的数据进行数据归一化处理，并通过多尺度卷积神经网络进行特征提取处理，得到轴承故障特征，包括：

3.根据权利要求2所述的方法，其特征在于，所述通过通道注意力机制对所述轴承故障特征进行数据处理，得到通道特征，包括：

4.根据权利要求1所述的方法，其特征在于，所述双向门控循环单元，包括多个计算单元：

5.根据权利要求4所述的方法，其特征在于，还包括：

技术总结
本发明提供一种融合通道注意力机制的ECACNN‑BGRU轴承故障诊断方法，包括：将轴承故障数据集划分为训练集和测试集；对训练集及测试集中的数据进行数据归一化处理，并通过多尺度卷积神经网络进行特征提取处理，得到轴承故障特征；通过通道注意力机制对轴承故障特征进行数据处理，得到通道特征；将通道特征输入双向门控循环单元，得到时序特征；通过自注意力机制提取训练集及测试集中的数据的显著性特征；通过平展层对自注意力机制输出的多维数据进行降维处理；通过全连接层及分类器输出轴承故障类型标签。本发明的融合通道注意力机制的ECACNN‑BGRU轴承故障诊断方法提高了轴承故障诊断的准确性和鲁棒性。

技术研发人员：高书苑,陈少飞,张敏慧,华翔,王月,马雁东,徐洋,冯泽群,杨雯静,肖苏杰
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/1/15