CN114492642A - 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 - Google Patents

一种多尺度元深度残差收缩网络的机械故障在线诊断方法 Download PDF

Info

Publication number
CN114492642A
CN114492642A CN202210102071.7A CN202210102071A CN114492642A CN 114492642 A CN114492642 A CN 114492642A CN 202210102071 A CN202210102071 A CN 202210102071A CN 114492642 A CN114492642 A CN 114492642A
Authority
CN
China
Prior art keywords
fault
mechanical
residual shrinkage
scale
depth residual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210102071.7A
Other languages
English (en)
Inventor
王正国
王迪
王新
张飞
刘永江
杨红军
张磊
郭林涛
田圣彬
王连新
王民强
刘亚峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang CITIC HIC Automation Engineering Co Ltd
Original Assignee
Luoyang CITIC HIC Automation Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Luoyang CITIC HIC Automation Engineering Co Ltd filed Critical Luoyang CITIC HIC Automation Engineering Co Ltd
Priority to CN202210102071.7A priority Critical patent/CN114492642A/zh
Publication of CN114492642A publication Critical patent/CN114492642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于机械故障诊断技术领域，具体涉及一种多尺度元深度残差收缩网络的机械故障在线诊断方法，能解决传统机械故障诊断技术带来的主观性，不准确问题，能避免大量多余噪声出现，能对故障类型进行智能化诊断，而且，元深度残差收缩网络对机械故障的关键特征信息进行提取，利用多头动态注意力机制自动确定阈值，自动确定各故障特征的权重，从而提取重要的特征，然后，元学习通过少量深度残差收缩网络提取的故障特征信息通过梯度下降方式进行更新，不断优化故障诊断模型，最后将实时的故障特征输入到最优故障诊断模型中并得到故障分类结果，能在线且精确地区分机械故障类型，提高故障分类效率，避免机械故障发生，保证煤矿安全生产。

Description

一种多尺度元深度残差收缩网络的机械故障在线诊断方法
技术领域
本发明属于机械故障诊断技术领域，具体涉及一种多尺度元深度残差收缩网络的机械故障在线诊断方法。
背景技术
在煤炭生产中，采用先进技术，提高了工作效率，降低人工成本。但是，井下采矿设备较为陈旧，易发生故障，且工况环境复杂恶劣，同时现场环境干扰极大，若不及时对机械故障进行诊断，易造成严重的安全问题；且机械发生故障造成停机，易造成巨大的损失，同时，在强噪声的环境下，机械故障特征易被淹没。传统机械故障诊断技术以观测法、参数分析法与模型分析法等为主。但是，上述方法只适用于中小设备，无法对大型建立精确的数学模型，且处理的成本较高，精度不够，效率低下，容易造成误判。
发明内容
有鉴于此，为了解决上述技术问题，本发明提供一种多尺度元深度残差收缩网络的机械故障在线诊断方法。
本发明采用以下技术方案：
一种多尺度元深度残差收缩网络的机械故障在线诊断方法，包括如下步骤：
获取多尺度机械故障样本，将多尺度机械故障样本分为测试集和训练集；
将所述训练集输入至多尺度元深度残差收缩网络中，提取所述多尺度机械故障样本的特征作为输出；
将提取的故障特征进行软阈值化处理，通过多头动态注意力机制确定阈值，并确定各特征的权重；
元学习将确定的特征通过梯度下降的方式进行更新，通过比较训练集与测试集的相似程度，得到最优故障诊断模型；
将所述测试集输入到所述最优故障诊断模型中得到故障分类结果。
进一步地，所述多尺度机械故障样本包括转子故障数据、电机故障数据、断路器故障数据和轴承故障数据。
进一步地，所述软阈值化处理的算法过程，如下：
Figure BDA0003492772400000021
其中，τ是自动学习得到的参数。
进一步地，所述多头动态注意力机制的合并方式表示如下：
Figure BDA0003492772400000022
其中，M表示大于或等于2的注意力机制；αM表示注意力机制系数；πM表示多头动态注意力机制的权重。
进一步地，所述元学习将确定的特征通过梯度下降的方式进行更新，通过比较训练集与测试集的相似程度，得到最优故障诊断模型，包括：
元学习比较训练集与测试集的相似程度，元学习的目的是为了训练测试集得到模型的参数
Figure BDA0003492772400000023
使得损失函数Lloss最小，最优故障诊断模型参数表示如下：
Figure BDA0003492772400000024
参数通过梯度下降方法进行更新，更新初始化参数如下表示：
Figure BDA0003492772400000025
其中，η为学习率；
Figure BDA0003492772400000026
表示梯度。
进一步地，元学习得到最优故障诊断模型之后，通过激活函数对权值进行转换和偏置，最后输出至全连接层。
本发明提供的多尺度元深度残差收缩网络的机械故障在线诊断方法能解决传统机械故障诊断技术带来的主观性以及不准确问题，能避免大量多余噪声出现，能对故障类型进行智能化诊断，提升效率，降低误判可能性，而且，元深度残差收缩网络对机械故障的关键特征信息进行提取，利用多头动态注意力机制自动确定阈值，自动确定各故障特征的权重，从而提取重要的特征，然后，元学习通过少量深度残差收缩网络提取的故障特征信息通过梯度下降方式进行更新，不断优化故障诊断模型，最后将实时的故障特征输入到最优故障诊断模型中并得到故障分类结果，能在线且精确地区分机械故障类型，提高故障分类效率，避免机械故障发生，保证煤矿安全生产。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
图1是本申请实施例提供的多尺度元深度残差收缩网络的机械故障在线诊断方法的整体流程示意图；
图2是深度残差收缩网络结构图；
图3是元学习结构图；
图4是元深度残差收缩网络的计算流程图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。
神经网络层数与其非线性表达能力成正比，越深的层数越能提取复杂的特征数据。但是，随着神经网络层数的加深，易造成梯度消失或过拟合问题。为此，在深度神经网络的基础上拟合一个残差映射以代替实际映射关系，克服过拟合问题。而在深度残差网络的基础上加上注意力机制和软阈值函数，能自动地消除多余的噪声，以提高提取特征的能力，能提取更多的特征，提高深度残差网络的分类能力。但是，深度残差收缩网络只通过软阈值函数无法判断输入故障的特征信息与历史故障的区别，对于故障分类具有一定的偶然性。
参见图1，是本申请实施例提供的多尺度元深度残差收缩网络的机械故障在线诊断方法的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。
本实施例提供的多尺度元深度残差收缩网络的机械故障在线诊断方法包括如下步骤：
步骤S1：获取多尺度机械故障样本，将多尺度机械故障样本分为测试集和训练集：
获取多尺度机械故障样本，本实施例中，多尺度机械故障样本包括转子故障数据、电机故障数据、断路器故障数据和轴承故障数据。应当理解，各种故障数据由对应的数据采集设备进行采集。然后，将多尺度机械故障样本分为测试集和训练集。
步骤S2：将所述训练集输入至多尺度元深度残差收缩网络中，提取所述多尺度机械故障样本的特征作为输出：
本实施例中，如图2所示，多尺度元深度残差收缩网络包括卷积神经网络、多个残差收缩单元、多个动态注意力机制、元学习和全连接层。
将训练集输入至多尺度元深度残差收缩网络中卷积神经网络的卷积层中，经卷积层提取多尺度机械故障样本的特征作为输出。
步骤S3：将提取的故障特征进行软阈值化处理，通过多头动态注意力机制确定阈值，并确定各特征的权重：
由于神经网络层数越深，越容易出现梯度消失或过拟合问题。为此，本实施例采用深度残差收缩神经网络进行恒等映射以提高参数训练速度，从而解决梯度消失或过拟合等问题。残差神经网络通过学习残差收缩单元以提高学习效率，其表示如下：
F(x)＝Wi+1σ(Wix) (1)
其中σ表示激活函数ReLU，Wi和Wi+1分别为权重层i和权重层i+1的权重。
残差神经网络下一层输出表示如下：
H(x)＝F(x,{Wi}+x) (2)
卷积神经网络采集故障信息并将原始数据恒映射到另一空间，然后通过残差收缩单元进行软阈值化处理，即：
Figure BDA0003492772400000062
其中，τ是自动学习得到的参数，可根据任务需要进行调整。
注意力机制可对提取的特征信息进行聚合并设置权重，从而提高提取故障的关键信息。在本实施例中，提出多头动态注意力机制以取得特征信息中的平衡点，并动态对特征信息进行聚合，自动调整特征信息的权重，加速训练效果，有效且有针对性的选择合适的参数去进行特征提取，从而提高提取故障的关键信息。因此，将卷积层提取的特征进行软阈值化处理，通过多头动态注意力机制自动确定阈值，自动确定各特征的权重，从而提取重要的特征，多头动态注意力机制的合并方式表示如下：
Figure BDA0003492772400000061
其中，M表示大于或等于2的注意力机制；αM表示注意力机制系数；πM表示多头动态注意力机制的权重，随着任务的变化而变化。
激活函数采用ReLU函数，如下表示：
f(s)＝max(s,0) (5)
其中，s为变量。
步骤S4：元学习将确定的特征通过梯度下降的方式进行更新，通过比较训练集与测试集的相似程度，得到最优故障诊断模型：
在深度残差网络的基础上添加软阈值函数与多头动态注意力机制，可动态调整不同任务的权重，从而提取故障特征信息的关键信息，避免噪声的干扰，提高提取特征信息的能力。但是，深度残差收缩网络只通过软阈值函数无法判断输入故障的特征信息与历史故障的区别，无法判断故障类型。为此，本实施例融入元学习的思想，以提高深度残差收缩网络诊断故障的能力，如图3所示。
元学习的思想是通过少量深度残差收缩网络提取的特征信息进行梯度下降。将机械的历史故障特征信息，即训练集设置为Dtr(Dtr1,Dtr2,…,Dtrk)，测试集设置为Dtest(Dtest1,Dtest2,…,Dtestk)。深度残差收缩网络提取故障特征信息，元学习比较训练集与测试集两者的相似程度，元学习的目的是为了训练测试集得到模型的参数
Figure BDA0003492772400000071
使得损失函数Lloss最小，最优故障诊断模型参数表示如下：
Figure BDA0003492772400000072
为提高对故障的分类能力，应先对采集的故障数据集进行预训练。第n个测试集模型参数为
Figure BDA0003492772400000073
其损失函数如下表示：
Figure BDA0003492772400000074
参数通过梯度下降方法进行更新，更新初始化参数如下表示：
Figure BDA0003492772400000075
其中，η为学习率；
Figure BDA0003492772400000076
表示梯度。
因此，在元学习中，首先对卷积网络采集的历史故障信息进行预训练，通过深度残差网络提取特征故障信息，然后，获取测试集与训练值相比较的相似程度，用概率值表示，概率越高表示两者的相似程度越高；测试集通过梯度下降的方式更新参数
Figure BDA0003492772400000077
直到得到最优故障诊断模型，从而提高深度残差收缩网络的提取特征的能力，使深度残差收缩网络能在少样本的情况也能对故障进行精确分类。
本实施例中，元学习得到最优故障诊断模型之后，通过激活函数对权值进行转换和偏置，最后输出至全连接层。
步骤S5：将测试集输入到所述最优故障诊断模型中得到故障分类结果：
将测试集输入到最优故障诊断模型中得到故障分类结果。图4是元深度残差收缩网络的计算流程图。
因此，本实施例中，深度残差收缩网络首先采集多尺度故障特征(包括转子故障，电机故障，断路器故障以及轴承故障等)送入卷积层；经卷积后的特征输出传到多个残差收缩单元，在残差收缩单元的基础引入软阈值将原始数据恒映射到另一空间，并通过动态注意力机制自动确定阈值，从而灵活选择某个参数的范围区间，提高表征能力；确定好参数权重的多个残差收缩单元通过元学习进行优化，可通过比较训练集与测试集的相似程度，并用梯度下降方式进行更新，直到得到最优故障诊断模型；最后通过激活函数对权值进行转换和偏置，其输出到全连接层并对前一层传递来的数据转换为概率进行故障分类，能解决传统机械故障诊断技术带来的主观性，不准确问题；能避免大量多余噪声出现；能对故障类型进行智能化分析；能在线且精确地区分机械故障类型，提高故障分类效率，避免机械故障发生，保证煤矿安全生产。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种多尺度元深度残差收缩网络的机械故障在线诊断方法，其特征在于，包括如下步骤：
获取多尺度机械故障样本，将多尺度机械故障样本分为测试集和训练集；
将所述训练集输入至多尺度元深度残差收缩网络中，提取所述多尺度机械故障样本的特征作为输出；
将提取的故障特征进行软阈值化处理，通过多头动态注意力机制确定阈值，并确定各特征的权重；
元学习将确定的特征通过梯度下降的方式进行更新，通过比较训练集与测试集的相似程度，得到最优故障诊断模型；
将所述测试集输入到所述最优故障诊断模型中得到故障分类结果。
2.根据权利要求1所述的多尺度元深度残差收缩网络的机械故障在线诊断方法，其特征在于，所述多尺度机械故障样本包括转子故障数据、电机故障数据、断路器故障数据和轴承故障数据。
3.根据权利要求1所述的多尺度元深度残差收缩网络的机械故障在线诊断方法，其特征在于，所述软阈值化处理的算法过程，如下：
Figure FDA0003492772390000011
其中，τ是自动学习得到的参数。
4.根据权利要求1所述的多尺度元深度残差收缩网络的机械故障在线诊断方法，其特征在于，所述多头动态注意力机制的合并方式表示如下：
Figure FDA0003492772390000012
其中，M表示大于或等于2的注意力机制；αM表示注意力机制系数；πM表示多头动态注意力机制的权重。
5.根据权利要求1所述的多尺度元深度残差收缩网络的机械故障在线诊断方法，其特征在于，所述元学习将确定的特征通过梯度下降的方式进行更新，通过比较训练集与测试集的相似程度，得到最优故障诊断模型，包括：
元学习比较训练集与测试集的相似程度，元学习的目的是为了训练测试集得到模型的参数
Figure FDA0003492772390000021
使得损失函数Lloss最小，最优故障诊断模型参数表示如下：
Figure FDA0003492772390000022
参数通过梯度下降方法进行更新，更新初始化参数如下表示：
Figure FDA0003492772390000023
其中，η为学习率；
Figure FDA0003492772390000024
表示梯度。
6.根据权利要求1所述的多尺度元深度残差收缩网络的机械故障在线诊断方法，其特征在于，元学习得到最优故障诊断模型之后，通过激活函数对权值进行转换和偏置，最后输出至全连接层。
CN202210102071.7A 2022-01-27 2022-01-27 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 Pending CN114492642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210102071.7A CN114492642A (zh) 2022-01-27 2022-01-27 一种多尺度元深度残差收缩网络的机械故障在线诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210102071.7A CN114492642A (zh) 2022-01-27 2022-01-27 一种多尺度元深度残差收缩网络的机械故障在线诊断方法

Publications (1)

Publication Number Publication Date
CN114492642A true CN114492642A (zh) 2022-05-13

Family

ID=81475568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210102071.7A Pending CN114492642A (zh) 2022-01-27 2022-01-27 一种多尺度元深度残差收缩网络的机械故障在线诊断方法

Country Status (1)

Country Link
CN (1) CN114492642A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798516A (zh) * 2023-02-07 2023-03-14 海纳科德（湖北）科技有限公司 一种可迁移的端到端声信号诊断方法及***
CN116541800A (zh) * 2023-07-06 2023-08-04 利维智能（深圳）有限公司 基于振动和声音数据的融合诊断方法、***、设备及介质
CN117232577A (zh) * 2023-09-18 2023-12-15 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、***和光缆交接箱

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798516A (zh) * 2023-02-07 2023-03-14 海纳科德（湖北）科技有限公司 一种可迁移的端到端声信号诊断方法及***
CN116541800A (zh) * 2023-07-06 2023-08-04 利维智能（深圳）有限公司 基于振动和声音数据的融合诊断方法、***、设备及介质
CN117232577A (zh) * 2023-09-18 2023-12-15 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、***和光缆交接箱
CN117232577B (zh) * 2023-09-18 2024-04-05 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、***和光缆交接箱

Similar Documents

Publication Publication Date Title
CN111830408B (zh) 一种基于边缘计算和深度学习的电机故障诊断***及方法
CN107941537B (zh) 一种机械设备健康状态评估方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN110647830B (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN113792758A (zh) 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、***、电子设备及存储介质
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及***
CN115876473A (zh) 基于PWVD和DenseNet的轴承故障诊断方法
CN114021620B (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
CN113887586A (zh) 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN112560252B (zh) 一种航空发动机剩余寿命预测方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN115753102A (zh) 一种基于多尺度残差子域适应的轴承故障诊断方法
CN113505817A (zh) 不均衡数据下轴承故障诊断模型样本自适应加权训练方法
CN114199992B (zh) 一种储油罐罐壁腐蚀检测方法及***
CN118071207A (zh) 一种智能制造产线设备健康指标智能构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination