CN112304614A - 采用多注意力机制的端到端滚动轴承智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种采用多注意力机制的端到端滚动轴承智能故障诊断方法。它将故障特征提取和故障模式分类相结合，通过多注意力机制实现各种故障特征的加权表达；采用多注意力机制的端到端滚动轴承智能故障诊断方法包括滚动轴承数据采集和振动信号转换为图像的方法，振动信号转换为图像的方法为将滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，然后将加速度、速度和位移信号三者合并后获得具有增强特征的图像。本发明克服了现有技术中深层神经网络易受非敏感特征影响，导致滚动轴承故障诊断的准确率受到限制，同时，生成训练样本需要花费大量的时间，并且对专业知识要求较高的缺点；具有诊断精度高，诊断速度快，操作简便的优点。

Description

采用多注意力机制的端到端滚动轴承智能故障诊断方法

技术领域

本发明涉及一种滚动轴承故障诊断方法，更具体地说它是一种采用多注意力机制的端到端滚动轴承智能故障诊断方法。

背景技术

滚动轴承是应用非常广泛的重要装备基础零部件和机械通用原件，在装备制造业中不可或缺，它直接决定着重大装备和主机产品的性能、质量和可靠性，被誉为“工业的关节”。但同时，由于其往往处于恶劣的工作环境中，且具有运行速度高、结构复杂和容易发生故障的特点，滚动轴承也是旋转机械易损部件之一。据统计，旋转机械的故障有70％以上是与轴承故障相关，且轴承一旦发生故障，将会引发系列连锁故障，严重的将直接影响着整个设备的运行安全。因此，滚动轴承的状态监测和故障诊断具有十分重要的意义，其一直是机械故障诊断中重点发展的方向之一。

伴随着人工智能(artificial intelligence,AI)的快速发展，机器学习方法在滚动轴承的状态监测和故障诊断中得到了非常广泛的应用。但是，传统的智能故障诊断方法存在需要进行人工选择特征和需要大量的标签数据进行训练的问题，为了解决故障诊断中存在的这些难题，兴起的深度学习方法逐渐被人们应用到故障诊断领域中。2006年，由Hinton等提出了利用自编码器(autoencoder)来降低数据的维度，并提出用预训练的方式快速训练深度置信网络，来抑制梯度消失问题。以此为标志，深度学习作为一种兴起的模式识别领域的新方法，在图像识别、语音识别以及自然语言处理等方面取得了突破进展。同时，由于深度学习的多层次结构，可以从大量数据中提取深层次关系，在轴承故障诊断领域也得到了较大的关注与应用。现有滚动轴承故障诊断常采用深层神经网络，而深层神经网络易受非敏感特征影响，从而影响滚动轴承故障诊断的准确率。

在处理大量数据的过程中，不同特征的数据需要不同的方法才能正确地显示其特征。为实现滚动轴承的故障诊断，很多学者结合振动信号和深层学习技术，提出了使用时频图、直方图等方法将振动信号转换成图像进行分类，但是生成训练样本需要花费大量的时间，并且很大程度上依赖于专家经验知识。

因此，现亟需开发一种智能且快速诊断滚动轴承故障的方法。

发明内容

本发明的目的是为了提供一种采用多注意力机制的端到端滚动轴承智能故障诊断方法，为一种基于CBAM-ResNet相结合的滚动轴承故障诊断方法，利用振动加速度信号经过积分变换得到相应速度和位移的特点，将加速度、速度和位移信号三者合并后获得具有增强特征的图像，接着，在深层残差网络中引入了通道注意力与空间注意力结构(Convolutional Block Attention Module,CBAM)，实现振动信号的特征提取，最后利用多分类函数(其中，多分类函数是指故障诊断模型(CBAM-ResNet)的输出分类函数)实现滚动轴承故障诊断，能够捕捉到故障模式的分布特征，诊断精度高，诊断速度快，操作简便。

为了实现上述目的，本发明的技术方案为：采用多注意力机制的端到端滚动轴承智能故障诊断方法，其特征在于：将故障特征提取和故障模式分类相结合，通过多注意力机制实现各种故障特征的加权表达；

采用多注意力机制的端到端滚动轴承智能故障诊断方法包括滚动轴承数据采集和振动信号转换为图像的方法，振动信号转换为图像的方法是将滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，然后将加速度、速度和位移信号三者合并后获得具有增强特征的图像。

在上述技术方案中，采用多注意力机制的端到端滚动轴承智能故障诊断方法，由如下依次执行的步骤组成，

步骤一：滚动轴承数据采集；

步骤二：滚动轴承数据预处理；

滚动轴承数据预处理为将滚动轴承的振动信号转换为图像；其中，滚动轴承的振动信号转换为图像的方法为：滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，将加速度、速度和位移信号三者合并后获得具有增强特征的图像；

步骤三：CBAM-ResNet诊断模型的构建和诊断结果分析构建；

将步骤一中的图像送入CBAM-ResNet诊断模型进行训练，使用训练好的CBAM-ResNet诊断模型对测试数据集进行分类。

在上述技术方案中，采用的多注意力机制为通道注意力和空间注意力结构。

在上述技术方案中，在步骤二中，振动信号转换为图像的方法，具体包括如下步骤，

依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，截取振动信号样本，得到振动加速度信号数据集{AC_i|i＝1,2,…,M×M×L}，其中，L代表样本总数，M×M代表图像的像素大小；

通过积分得到，速度信号数据集{VE_i|i＝1,2,…,M×M×L}，位移信号数据集{DIS_i|i＝1,2,…,M×M×L}；

接着，将上述振动加速度信号数据集、速度信号数据集和位移信号数据集分别代入式(6)进行处理，使得数据范围变换到[0,255]之间，

式(6)中，P(m,m)，m＝1,2…j表示图像的像素点，函数round(·)是四舍五入函数，x_i表示数据集第i个样本，x_min表示数据集中样本最小值，x_max表示数据集中样本最大值；

在所生成的RGB图像中，红色通道像素值由加速度信号数据集填充，绿色通道像素值由速度信号数据集填充，蓝色通道像素值由位移信号数据集填充。

在上述技术方案中，在步骤三中，在原始的ResNet网络结构中，每组残差块后添加一个CBAM注意力模块，将输出层的输出个数设为4，以匹配滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种健康类型。

本发明具有如下优点：

(1)本发明通过引入残差块构建深层网络，解决了深层神经网络模型在训练过程中容易出现的过拟合、梯度消失或者梯度***问题；本发明在原始的ResNet网络结构中，每组残差块后添加一个CBAM注意力模块，通过引入CBAM注意力模块来提高模型的特征提取能力；

(2)本发明使用注意力机制可以有选择地进行表征，从而有效地克服深层神经网络易受非敏感特征影响的问题，并且更充分地利用特征及特征间的信息，由于注意力机制拥有上述优良的特性，本发明在特征提取阶段，关注了重要特征的同时抑制了不必要的特征，提升了卷积神经网络模型的特征表达能力，在不显著增加计算量和参数量的前提下，进一步提升了滚动轴承故障诊断的准确率；

(3)本发明将故障特征提取和故障模式分类融合到一起，注意力机制能够实现不同特征的加权表达，使分类的特征更具表达能力；

(4)本发明利用了振动加速度信号经过积分计算能够得到相应速度和位移的特点，将加速度、速度和位移信号三者合并后获得具有增强特征的图像，无需预先设定参数或专家经验，即可快速从原始数据中获得具有增强特征的图；再将图作为模型输入CBAM-ResNet诊断模型进行训练和诊断，能够捕捉到故障模式的分布特征，提高诊断速度和诊断精度。

(5)本发明的模型训练集分类精度接近100％，滚动轴承故障诊断精度达到98.33％。

附图说明

图1为本发明中的深层残差网络的残差单元图。

图2为本发明中综合了CBAM的卷积神经网络结构图。

图3为本发明的诊断流程图。

图4为本发明中的振动信号转换为图像的方法流程图。

图5为本发明中的CBAM-ResNet模型结构图。

图6为本发明实施例1中采用的实验台的结构图。

图7为本发明实施例1中的数据转换为图像的流程图。

图8为本发明实施例1中的CBAM-ResNet模型在训练集中的准确率和损失函数值与迭代次数关系图。

图9为本发明实施例1中的诊断结果的混淆矩阵图。

图10为本发明实施例2中采用的实验台的结构图。

图11为本发明实施例2中每种健康类型的振动信号时域图。

图12为本发明实施例2中的CBAM-ResNet模型在训练集中的准确率和损失函数值与迭代次数关系图。

图13为本发明实施例2中的诊断结果的混淆矩阵图。

具体实施方式

下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。

参阅附图可知：采用多注意力机制的端到端滚动轴承智能故障诊断方法，将故障特征提取和故障模式分类相结合，通过多注意力机制实现各种故障特征的加权表达，使用注意力机制可以有选择地进行表征，从而有效地克服深层神经网络易受非敏感特征影响的问题，并且更充分地利用特征及特征间的信息；由于注意力机制拥有上述优良的特性，本发明在特征提取阶段，关注了重要特征的同时抑制了不必要的特征，提升了卷积神经网络模型的特征表达能力，在不显著增加计算量和参数量的前提下，进一步提升了滚动轴承故障诊断的准确率；其中，本发明中的端到端体现在直接使用采集的振动信号完成故障模式分类，中间无需进行人工的特征提取过程；

采用多注意力机制的端到端滚动轴承智能故障诊断方法包括滚动轴承数据采集和振动信号转换为图像，振动信号转换为图像的方法为滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，然后将加速度、速度和位移信号三者合并后获得具有增强特征的图像，通过简单的诊断流程，快速的、准确的实现端到端的滚动轴承故障诊断。

进一步地，采用多注意力机制的端到端滚动轴承智能故障诊断方法，由如下依次执行的步骤组成，

步骤一：滚动轴承数据采集；其中，采集原始振动信号为现有技术；

步骤二：滚动轴承数据预处理；

滚动轴承数据预处理为将滚动轴承的振动信号转换为图像(如图4所示，图4为样本分割并结合加速度、速度和位移信号形成图像)，作为模型输入；其中，滚动轴承的振动信号转换为图像的方法为：滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，将加速度、速度和位移信号三者合并后获得具有增强特征的图像；数据预处理是深层学习的第一步，也是重要的一步；在处理大量数据的过程中，不同特征的数据需要不同的方法才能正确地显示其特征，本发明中将滚动轴承的振动信号转换为图像的方法无需预先设定参数或专家经验，即可快速从原始数据中获得具有增强特征的图像，具有快速、智能的特点，通过简单的诊断流程，快速的、准确的实现端到端的滚动轴承故障诊断；克服了现有技术为实现滚动轴承的故障诊断，结合振动信号和深层学习技术，提出的使用时频图、直方图等方法将振动信号转换成图像进行分类，但是生成训练样本需要花费大量的时间，并且很大程度上依赖于专家经验知识，耗时、且对专业知识要求较高的缺点；

步骤三：CBAM-ResNet诊断模型的构建和诊断结果分析构建；

将步骤一中的图像送入CBAM-ResNet诊断模型进行训练，使用训练好的CBAM-ResNet诊断模型对测试数据集进行分类(如图3所示)，其中，测试数据集为步骤二预处理后的图像；步骤二预处理图像完成后组成数据集，然后将数据集分为训练数据集和测试数据集；本发明无需人工参与故障特征提取和人工参与故障模式分类，故障特征提取和故障模式分类均由CBAM-ResNet诊断模型完成，具有快速、智能的特点。

所述CBAM模型和ResNet模型均为现有技术。

进一步地，采用的多注意力机制为通道注意力和空间注意力结构(如图2所示)；其中，CBAM模型为一种通道注意力和空间注意力结构相结合的模型；通道注意力与空间注意力结构(CBAM)分别在通道维度和空间维度上使用注意力机制，强调了空间和通道这两个维度上有意义的特征，关注了重要特征并抑制不必要的特征；同时，通道注意力结构和空间注意力结构相互独立，保证了其可以作为独立的模块用于已有的卷积神经网络的架构中；

多注意力机制(CBAM)的处理过程包括以下两个运算：

式(4)和式(5)中，

表示输入的特征，C×H×B表示各通道的维度，

表示通道维度上的注意力权重，

表示空间维度上的注意力权重，符号

表示逐元素乘法；R表示特征空间；c×1×1表示通道维度；1×H×B表示空间维度；F’表示输入特征逐元素相乘通道注意力权重后的加权值；F”表示F’逐元素相乘空间注意力权重后的加权值。

进一步地，在步骤二中，振动信号转换为图像的方法，具体包括如下步骤，

依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，截取振动信号样本(如，从振动信号数据的第1个点开始，截取第n个点作为第一个信号样本，然后下一个信号样本从第(n-m)个点开始，截取第(2n-m)个点作为第二个信号样本，依次类推实现信号的分段重叠截取，总共截得N个信号样本；其中，n为大于或等于1的正整数；m为大于或等于1的正整数，m小于n；N为正整数)，得到振动加速度信号数据集{AC_i|i＝1,2,…,M×M×L}，其中，L代表样本总数，M×M代表图像的像素大小；i表示数据集中各个数据的序号数；

通过积分得到，速度信号数据集{VE_i|i＝1,2,…,M×M×L}，位移信号数据集{DIS_i|i＝1,2,…,M×M×L}；其中，i表示数据集中各个数据的序号数；M×M表示图像的像素大小；L表示样本总数；

其中，滚动轴承的振动加速度信号经过积分计算得到相应速度和位移的方法为现有技术；

接着，将上述振动加速度信号数据集、速度信号数据集和位移信号数据集分别代入式(6)进行处理，使得数据范围变换到[0,255]之间(其中，为了转化为RGB图像而做数据归一化；RGB图像要求每个像素点的取值范围为[0,255])，生成RGB图像；

其中，式(6)用于RGB图像三个通道上各像素点的值归一化到[0,255]；

式(6)中，P(m,m)，m＝1,2…j表示图像的像素点，j为正整数；P(m,m)表示图像上面的各个像素点；函数round(·)是四舍五入函数；x_i表示数据集第i个样本；x_min表示数据集中样本最小值；x_max表示数据集中样本最大值；

在所生成的RGB图像中，红色通道像素值由加速度信号数据集填充，绿色通道像素值由速度信号数据集填充，蓝色通道像素值由位移信号数据集填充(如图4所示)。

更进一步地，在步骤三中，在原始的ResNet网络结构中，每组残差块后添加一个CBAM注意力模块，将输出层的输出个数设为4，以匹配滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种健康类型(如图5所示)；

其中，原始的ResNet网络由一系列残差块组成，残差块结构如图1所示，对于一个堆积层结构，当输入为x时，其学习到的特征记为H(x)，则该结构的残差即为F(x)＝H(x)-x，当残差F(x)＝0时，此时堆积层仅做恒等映射，深层网络性能不会下降，当残差F(x)≠0时，使得堆积层在输入特征基础上学习到新的特征，从而使深层网络拥有更好的性能；

设x_l和x_l+1分别表示第l层残差块的输入和输出，F(x_l,W_l)是残差函数，表示学习到的残差，W_l是需要学习的权重向量，则一个残差块可以表示为：

y_l＝h(x_l)+F(x_l,W_l) (1)

x_l+1＝f(y_l) (2)

其中，f(·)为激活函数，一般使用Relu函数；

式(1)中，h(·)表示学习到的特征；

式(2)中，f(·)为Relu激活函数；y_l表示残差块在激活函数前的输出；

基于式(1)和式(2)，求得从浅层l到深层L的学习特征为：

其中，x_L表示第L层残差块的输出，W_i是需要学习的权重向量；

式(3)中，x_l表示第L层残差块的输出；x_l表示表示第l层残差块的输出；F(x_i，w_i)表示残差函数；x_i表示第i层残差块的输入。

实施例

现以本发明应用于某电机驱动端滚动轴承故障诊断为实施例对本发明进行详细说明，对本发明应用于其它滚动轴承故障诊断同样具有指导作用。

实施例1

在本实施例中，使用来自CWRU(凯斯西储大学，Case Western ReserveUniversity)轴承数据中心的公开滚动轴承数据集。

本实施例中的某滚动轴承故障诊断方法，包括如下步骤，

S1：数据采集；

本实施例采用的实验台如图6所示，轴承实验台主要由电动机、传感器、滚动轴承和测功机组成；电机驱动端和风扇端的滚动轴承振动数据由安装在感应电机壳体上的加速度传感器获得，采样频率为12kHz；

滚动轴承除正常状态外，还通过电火花加工的方式人为引入了内圈故障、外圈故障和滚动体故障三种故障状态；此外，每个故障类别有三种缺陷直径(0.007,0.014和0.021英寸)，并分别在三个转速下进行了轴承振动信号采集；在本实施例中，对1797rpm(负载0)和0.021英寸缺陷直径的电机驱动端滚动轴承故障分类进行了研究；因此，本实施例样本中包括正常状态在内的4种健康类型，即内圈故障、外圈故障、滚动体故障以及正常状态；

依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，采用本发明中的滚动轴承数据采方法得到振动加速度信号数据集{AC_i|i＝1,2,…,M×M×L}；

通过积分得到，速度信号数据集{VE_i|i＝1,2,…,M×M×L}，位移信号数据集{DIS_i|i＝1,2,…,M×M×L}；

S2：数据转换为图像；

采用本发明中的滚动轴承的振动信号转换为图像的方法，将四种健康类型的振动数据转换为RGB图像，结果如图7所示；其中，每种健康类型各有600张像素大小32×32的RGB图像，共包含2400张；随机选择样本中95％的数据为训练数据，余下5％的样本数据为测试样本，即2280张用于训练，120张用于测试；

从转换后的图像(如图7所示)中可以看出，滚动轴承不同健康类型的RGB图像有所区别；其中，外圈故障的图像色素点最密集，相比之下，内圈故障的图像色素点有所减少，滚动体故障的图像色素点最稀疏，正常类型的图像有明显的条纹特征；

S3：CBAM-ResNet模型的诊断结果分析；

经过数据到图像的转换后，将数据集送入CBAM-CNN模型进行训练，随后，使用训练好的模型对测试数据集进行分类；模型的训练和测试均在同一台工作站上进行，即windows10环境下GeForce RTX 2080Ti显卡(11GB显存)，采用在TensorFlow平台下使用Python3.6编程实现；

在训练过程中，将迭代次数设置为120，批次大小设置为32，采用Adam优化算法进行网络参数更新，其初始学习率设置为0.001，并在训练过程中动态改变学习率；CBAM-ResNet模型在训练集中的准确率和损失函数值与迭代次数关系图如图8所示；

从图8可以看出，可以看出，模型训练结果是：训练集分类精度接近100％，说明该模型拟合效果良好，损失函数平滑的下降并趋于稳定，说明损失函数未陷入局部最优；然后，将测试集数据输入到训练完成的诊断模型中，通过10次随机实验，结果取平均值，得到测试集的分类精度达到98.33％，说明本发明的诊断方法能够捕捉到故障模式的分布特征。为了进一步了解每个健康类型的详细分类情况，绘制了诊断结果的混淆矩阵，如图9所示；从图9中可以看出，在测试集中，有一个内圈故障被误判为滚动体故障，一个外圈故障被误判为内圈故障，正常情况全部分类正确。

以下通过CWRU轴承故障数据集的实验进一步说明本发明中的利用振动加速度信号经过积分计算能够得到相应速度和位移的特点，将加速度、速度和位移信号三者合并后组成具有增强特征的RGB图像的有效性和优越性。

分别将加速度信号、速度信号、位移信号单独组成RGB图像，加速度信号与速度信号组成RGB图像、加速度信号与位移信号组成RGB图像以及速度与位移信号组成RGB图像共6种情况与本发明实施例1(为表1中的编号7)进行对比分析，将获得的图像数据集分别送入CBAM-ResNet滚动轴承故障诊断模型进行训练和诊断，滚动轴承故障诊断精度如表1所示。

表1不同信号组成图像数据集下滚动轴承故障诊断精度

由表1可以看出，单独使用加速度信号、速度信号、位移信号组成RGB图像时，本发明实施例1应用加速度信号所组成的图像进行故障诊断的诊断精度明显高于速度信号和位移信号所组成的图像进行故障诊断的诊断精度；且当加速度信号分别结合了其他两种信号时，诊断精度有所提升分别达到了94.11％和94.21％。但均低于本发明实施例1所提信号转换为图像方法的诊断精度。

验证方法

为了进一步说明本发明中的CBAM-ResNet模型的性能优越性，本发明选取了SVM(支持向量机(Support Vector Machine，SVM))、BP(人工神经网络模型)以及CNN(卷积神经网络模型)三种常见的分类模型与上述实施例1进行对比分析。其中，SVM模型使用了滚动轴承(为球轴承)振动信号标准差、峭度、平均值、均方根、波形因子、峰值因子、裕度因子和峭度因子8种特征参数。BP神经网络也采用上述的时域特征参数作为输入，含2个隐含层，每层含50个神经元。随机选择样本中95％的数据为训练数据，余下5％的样本数据为测试样本，几种分类模型均通过10次随机实验，结果取平均值。故障诊断结果如表2所示。

表2不同模型对比实验结果

从表2可以看出：BP神经网络利用特征样本进行训练后，识别率为83.33％，未正确识别样本累积总数为20个，使用SVM轴承故障诊断方法，经过不断的尝试，凭经验选取较合适的参数后识别率能够达到91.67％，使用CNN模型分类结果可以达到95.83％，但是仍然低于本发明实施例1中的CBAM-ResNet模型分类结果。

实施例2

本实施例采用的是本地实验室轴承故障数据集。

本实施例使用SpectraQuest公司的机械故障综合模拟实验台进行滚动轴承故障诊断试验，具体诊断方法，包括如下步骤，

S1：数据采集和预处理；

如图10所示，本实施例中的实验台主要由滚动轴承、可拆卸轴承座、电动机以及调速转置等部分组成；本实施例的实验是在该实验台所配套的ER-16K滚动轴承上进行的，分别在内圈、外圈和滚动体上利用电火花预制了点蚀故障，实验中使用安装在轴承座上方的压电式加速度传感器来拾取滚动轴承的振动信号，采样频率为12kHz，经过放大、滤波后，通过数据采集***进行信号采集；

本实施例对电机侧滚动轴承包括正常状态在内的内圈故障、外圈故障和滚动体故障共四种健康类型进行了分类；

本实施例的收采集方法同实施例1；

本实施例在获得足够多的数据后，利用振动加速度信号经过积分计算得到相应速度和位移信号，每种健康类型的振动信号时域图，如图11所示；由图11可以看出，每种健康类型的三类信号的幅值均有较大差别；

S2：数据转换为图像；

采用的数据转换为图像的方法同实施例1，得到四种健康类型的RGB图像；数据集的大小和设置同实施例1；

S3：诊断结果分析；

模型训练过程的参数设置同实施例1；本实施例中的CBAM-ResNet模型在训练集中的准确率和损失函数值与迭代次数关系图如图12所示；从图12可以看出，通过对诊断模型进行训练，随着迭代次数的增加，训练集分类准确率逐渐增加并趋于平稳，同时，损失函数平滑的下降并趋于稳定；

随后，将测试集数据输入到训练完成的诊断模型中，同样通过10次随机实验，结果取平均值，得到测试集的分类准确率为97.50％；为了进一步了解每个健康类型的详细分类情况，绘制了诊断结果的混淆矩阵，如图13所示；从图13中可以看出，在测试集中，滚动体故障有3个分类有误，其余的三种健康类型全部分类正确。

以下通过本地实验室轴承故障数据集的实验进一步说明本发明中的利用振动加速度信号经过积分计算能够得到相应速度和位移的特点，将加速度、速度和位移信号三者合并后组成具有增强特征的RGB图像的有效性、优越性以及泛化性能。

分别将加速度信号、速度信号、位移信号单独组成RGB图像，加速度信号与速度信号组成RGB图像、加速度信号与位移信号组成RGB图像以及速度与位移信号组成RGB图像共6种情况与本发明实施例2(为表3中的编号7)进行对比分析，将获得的图像数据集分别送入CBAM-ResNet滚动轴承故障诊断模型进行训练和诊断，滚动轴承故障诊断精度如表3所示。

表3不同信号组成图像数据集下滚动轴承故障诊断精度

由表3可以看出，应用加速度信号所组成的图像进行故障诊断的诊断精度明显高于速度信号和位移信号所组成的图像进行故障诊断的诊断精度；加速度信号分别与速度信号和位移信号相结合组成的图像进行故障诊断的诊断精度分别可以达到94.70％和94.18％，但是，均低于本发明实施例2的诊断精度。

验证方法

为了进一步说明本发明中的CBAM-ResNet模型的性能优越性，本实施例选取了SVM、BP以及CNN三种常见的故障诊断模型与本发明实施例2进行对比分析，参数设置同实施例1；通过10次随机实验，结果取平均值；故障诊断结果如表4所示。

表4不同模型对比实验结果

由表4可以看出，本发明实施例2中的CBAM-ResNet诊断模型得到的分类准确率比BP神经网络提高了15.83％，给滚动轴承的故障诊断精度带来了明显的改善，也证实了本发明中的CBAM-ResNet诊断模型能够更加准确地捕捉到数据集的隐含特征。

本发明中的实施例通过二个不同实施例的验证与分析，说明了本发明的有效性和泛化能力；同时，本发明在诊断过程中省去了繁琐的人工特征提取过程，在降低滚动轴承故障的漏判率的同时，实现了端到端的故障诊断。

本发明利用卷积神经网络能够增强故障诊断模型的非线性表征能力的特点，并在此基础上引入通道注意力机制和空间注意力机制对特征之间的非线性关系进行了建模；本发明通过二个实施例的实验结果表明：(1)利用滚动轴承故障振动加速度信号经过积分计算得到相应速度和位移的特点，将加速度、速度和位移信号三者合并后获得具有增强特征的图像，能够用于滚动轴承的故障诊断；(2)建立的CBAM-ResNet诊断模型，能够自动提取特征，完成滚动轴承端到端的故障诊断；(3)与现有的数据驱动故障诊断方法相比，本发明方法在滚动轴承故障诊断中表现出了更好的诊断精度和较好的鲁棒性。

其它未说明的部分均属于现有技术。

Claims (5)

1.采用多注意力机制的端到端滚动轴承智能故障诊断方法，其特征在于：将故障特征提取和故障模式分类相结合，通过多注意力机制实现各种故障特征的加权表达。

2.根据权利要求1所述的采用多注意力机制的端到端滚动轴承智能故障诊断方法，其特征在于：由如下依次执行的步骤组成，

步骤一：滚动轴承数据采集；

步骤二：滚动轴承数据预处理；

滚动轴承数据预处理为将滚动轴承的振动信号转换为图像；其中，滚动轴承的振动信号转换为图像的方法为：滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，将加速度、速度和位移信号三者合并后获得具有增强特征的图像；

步骤三：CBAM-ResNet诊断模型的构建和诊断结果分析构建；

将步骤二中的图像送入CBAM-ResNet诊断模型进行训练，使用训练好的CBAM-ResNet诊断模型对测试数据集进行分类。

3.根据权利要求2所述的采用多注意力机制的端到端滚动轴承智能故障诊断方法，其特征在于：采用的多注意力机制为通道注意力和空间注意力结构。

4.根据权利要求3所述的采用多注意力机制的端到端滚动轴承智能故障诊断方法，其特征在于：在步骤二中，振动信号转换为图像的方法，具体包括如下步骤，

依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，截取振动信号样本，得到振动加速度信号数据集{AC_i|i＝1，2，...，M×M×L}，其中，L代表样本总数，M×M代表图像的像素大小；

通过积分得到，速度信号数据集{VE_i|i＝1，2，...，M×M×L}，位移信号数据集{DIS_i|i＝1，2，...，M×M×L}；

接着，将上述振动加速度信号数据集、速度信号数据集和位移信号数据集分别代入式(6)进行处理，使得数据范围变换到[0，255]之间，

式(6)中，P(m，m)，m＝1，2...j表示图像的像素点，函数round(·)是四舍五入函数，x_i表示数据集第i个样本，x_min表示数据集中样本最小值，x_max表示数据集中样本最大值；

在所生成的RGB图像中，红色通道像素值由加速度信号数据集填充，绿色通道像素值由速度信号数据集填充，蓝色通道像素值由位移信号数据集填充。

5.根据权利要求4所述的采用多注意力机制的端到端滚动轴承智能故障诊断方法，其特征在于：在步骤三中，在原始的ResNet网络结构中，每组残差块后添加一个CBAM注意力模块，将输出层的输出个数设为4，以匹配滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种健康类型。

Images