本發(fā)明屬于設(shè)備故障診斷，具體涉及一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法。

背景技術(shù)：

1、隨著工業(yè)化進程的加速，設(shè)備的可靠性和穩(wěn)定性成為保障生產(chǎn)安全與效率的關(guān)鍵。柱塞泵和齒輪箱等核心部件的故障診斷尤為重要，其健康狀態(tài)直接影響整體系統(tǒng)的運行。然而，傳統(tǒng)故障診斷方法受限于人工經(jīng)驗和數(shù)據(jù)不足，難以滿足現(xiàn)代工業(yè)的需求。深度學(xué)習(xí)技術(shù)以其強大的特征提取和自動學(xué)習(xí)能力，為智能故障診斷提供了新的解決方案。然而，深度學(xué)習(xí)模型高度依賴數(shù)據(jù)，且大規(guī)模數(shù)據(jù)獲取困難，特別是在復(fù)雜多變的工況下。此外，單一部件的故障診斷無法全面反映設(shè)備整體狀態(tài)，跨設(shè)備診斷成為必然趨勢，但這也對模型復(fù)雜性和計算效率提出了更高要求。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是解決上述問題，提供一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法。

2、為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

3、一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法，包括如下步驟：

4、步驟1)多傳感器信號采集與數(shù)據(jù)預(yù)處理，具體步驟如下：

5、步驟1.1)數(shù)據(jù)采集：收集不同元件上傳感器采集的各通道下的運行數(shù)據(jù)；

6、步驟1.2)對各通道下的特征數(shù)據(jù)進行歸一化處理，消除量綱差異，確保數(shù)據(jù)在同一尺度下進行比較和分析；

7、步驟1.3)采用滑動窗口的移動平均方法對設(shè)備狀態(tài)數(shù)據(jù)進行平滑處理，減少噪聲干擾，提高信號質(zhì)量；

8、步驟2)多傳感器信號融合，具體步驟如下：

9、步驟2.1)將多傳感信號進行串行組合，構(gòu)建原始樣本空間x＝{x1,x2}；

10、步驟2.2)應(yīng)用以下映射公式，將樣本空間映射到特征空間中，以便進一步分析：

11、

12、步驟2.3)對映射后的特征矩陣進行特征值和特征向量的求解，選取最大特征值對應(yīng)的特征向量作為第一主成分，其對應(yīng)的特征向量即為x1的權(quán)值或變換后的基向量；

13、步驟2.4)根據(jù)以下融合公式，將x1和x2的信息進行融合，得到融合后的特征向量：

14、f1＝ω11zx1+ω21zx2??(2)；

15、式中：ω11表示第一主成分對應(yīng)的特征向量，ω21表示第二主成分對應(yīng)的特征向量。zx1和zx2分別表示標(biāo)準(zhǔn)化后的原始數(shù)據(jù)，σ的取值為第一主成分貢獻率趨于穩(wěn)定時對應(yīng)的值，經(jīng)過多次嘗試，σ取值為3；

16、步驟3)構(gòu)建跨元件特征共享網(wǎng)絡(luò)：

17、步驟3.1)輕量化主干網(wǎng)絡(luò)設(shè)計：

18、主干網(wǎng)絡(luò)由三個卷積塊組成，每個卷積塊包含一系列卷積層、批歸一化和relu激活函數(shù)，卷積塊1提取初步特征，卷積塊2提取更高級別的特征，而卷積塊3則進一步提取細致的高階特征。每個卷積塊通過適當(dāng)?shù)木矸e核大小和通道數(shù)配置，逐步提取多層次特征；

19、步驟3.2)任務(wù)注意力模塊

20、該模塊為簡單的無參注意機制，用于跨模型診斷任務(wù)；

21、步驟3.3)動態(tài)調(diào)整的度量學(xué)習(xí)

22、引入角度間隔和尺度因子到softmax?loss中，以優(yōu)化多分類性能；

23、步驟4)將訓(xùn)練集輸入到所提出的模型中進行訓(xùn)練，設(shè)置迭代次數(shù)為500次，batchsize大小選擇64，優(yōu)化器選擇adam函數(shù)。

24、進一步的，所述步驟3.2)中任務(wù)注意力機制包括以下步驟：

25、(1)計算局部均值和方差：

26、

27、式(3)中，n(i,j)表示以位置(i,j)為中心的3×3鄰域，∣n(i,j)∣是鄰域中的像素數(shù)，對于3×3鄰域，∣n(i,j)∣＝9，xm,n是鄰域(m，n)位置的像素值。

28、式(4)中，xm,n是鄰域(m,n)位置的像素值。μi,j是該鄰域的局部均值。

29、(2)計算新的基于局部方差的能量因子：

30、

31、(3)計算新的注意力權(quán)重，sigmoid函數(shù)將能量因子壓縮到[0,1]區(qū)間，將新的能量因子，使其適合作為為注意力權(quán)重：

32、an(i,j)＝σ(en(i,j))????????????????(6)

33、其中：σ(·)是sigmoid函數(shù)，定義為：

34、

35、(4)計算得到的注意力權(quán)重應(yīng)用于原始特征圖，通過加權(quán)方式調(diào)整原始特征圖的值，使得重要特征被增強，不重要特征被抑制：

36、x″i,j＝xi,j?an(i,j)???????????????????(8)

37、其中：x″i,j是位置(i,j)調(diào)整后的特征值；xi,j是位置(i,j)原始特征圖的特征值，a′i,j是位置(i,j)計算得到的注意力權(quán)重。

38、進一步的，所述步驟3.3)的具體步驟如下：

39、(1)計算角度：設(shè)輸入特征向量為xi，類別標(biāo)簽為yi，每個類別的中心向量為wk，引入一個尺度因子α來調(diào)整特征向量的大小；

40、特征向量xi和類別中心向量wk之間的夾角θi,k可以通過內(nèi)積公式計算：

41、

42、由于尺度因子α?xí)诜肿雍头帜钢邢嗷サ窒?，在實際計算中無需顯式地考慮α；

43、(2)角度間隔：angular?loss的目標(biāo)是最小化同類特征向量和類別中心向量之間的夾角，同時最大化異類特征向量和類別中心向量之間的夾角，通過引入一個margin來增強這種區(qū)分能力：

44、

45、其中，n是批次中的樣本數(shù)量，是特征向量xi與其真實類別中心向量yi之間夾角的余弦值，cos(θi,k)是特征向量xi與其他類別中心向量wk之間夾角的余弦值，m是用于增加不同類別之間區(qū)分度的margin。

46、(3)引入尺度因子：通過在計算損失時將特征向量進行縮放：

47、x′i＝axi??????????????????(11)

48、然后計算角度損失：

49、

50、這里，分子是特征向量xi和類別中心向量wk的點積，分母是它們的范數(shù)之積。

51、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

52、1)本發(fā)明采用輕量化卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，大幅降低計算參數(shù)與資源消耗；

53、2)本發(fā)明引入一種新穎的無參任務(wù)注意力機制(ita)，在不增加模型參數(shù)負(fù)擔(dān)的前提下，有效增強振動信號的關(guān)鍵特征權(quán)重，提高信息提取效率；

54、3)本發(fā)明利用度量學(xué)習(xí)策略對特征空間進行優(yōu)化，使學(xué)習(xí)到的特征在超球面上呈現(xiàn)更加清晰的幾何分布，增強特征的判別性與可解釋性。

技術(shù)特征：

1.一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法，其特征在于，所述步驟3.2)中任務(wù)注意力機制包括以下步驟：

3.根據(jù)權(quán)利要求1所述的一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法，其特征在于，所述步驟3.3)的具體步驟如下：

技術(shù)總結(jié)
本發(fā)明涉及一種基于輕量化多任務(wù)網(wǎng)絡(luò)的跨元件的故障診斷方法，目的是解決單一部件的故障診斷無法全面反映設(shè)備整體狀態(tài)的技術(shù)問題，技術(shù)方案為：收集不同元件上傳感器采集的各通道下的運行數(shù)據(jù)，歸一化處理，消除量綱差異，平滑處理，多傳感器信號融合，構(gòu)建跨元件特征共享網(wǎng)絡(luò)，將訓(xùn)練集輸入到所提出的模型中進行訓(xùn)練，設(shè)置迭代次數(shù)為500次，batch?size大小選擇64，優(yōu)化器選擇adam函數(shù)；本發(fā)明采用輕量化卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，大幅降低計算參數(shù)與資源消耗，引入一種新穎的無參任務(wù)注意力機制，在不增加模型參數(shù)負(fù)擔(dān)的前提下，有效增強振動信號的關(guān)鍵特征權(quán)重，提高信息提取效率。

技術(shù)研發(fā)人員：黃晉英,高樂樂,范正芳,張文文,舒成龍,馬坤
受保護的技術(shù)使用者：中北大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30