技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法  >  正文

一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法

  • 国知局
  • 2024-08-05 12:07:09

本发明涉及故障诊断,具体涉及一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法。

背景技术:

1、制造业的发展离不开精度高、可靠性好的高端机械设备。轴向柱塞泵作为液压系统的“心脏”,被广泛应用于航天航空、轨道交通、工程机械和陆军装备等领域,受结构复杂和经常处于高速、高压等复杂环境影响,其三大摩擦副易发生故障。轴向柱塞泵一旦出现故障,轻则引发设备停产停工,重则导致人员伤亡,造成不可估量的损失。因此,对轴向柱塞泵进行有效的故障诊断对于保障液压装备系统的安全可靠运行,提升设备运转效率,降低运维成本等方面具有重大意义。

2、基于深度学习的方法在故障诊断领域中得到了广泛的应用,但其性能取决于标签数据足够充足和数据服从同一概率分布。目前深度学习模型假设训练和测试数据服从相同的分布,但对于实际情况下,从不同工况下采集的训练数据的分布与测试数据的分布不同,且部分工况无标签数据,致使深度学习模型的性能降低甚至失效。为了提高深度学习模型在故障诊断不同场景下的泛化能力,迁移学习方法被提出,作为一种利用从不同但相关的任务中学到的知识来解决新问题的方法,对于跨工况无监督任务有着不错的效果。

3、迁移学习可以有效解决跨工况任务下数据存在分布差异的故障诊断问题,提高了模型的泛化性。但是,当面对设备监测信号非线性、非平稳、故障特征相似等情况时,提取数据特征变得相对困难,造成模型诊断性能下降。因此,现有的迁移学习方法在特征提取和域适应能力方面还有待提高。

技术实现思路

1、本发明的目的在于提供一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法以解决当前域适应方法在轴向柱塞泵跨工况及目标域无标签样本情况下特征提取和域适应能力不足问题。

2、有鉴于此,本发明提供了以下技术方案:

3、本发明提供一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法,包括以下步骤:

4、s1、搭建轴向柱塞泵故障模拟实验台,编写数据采集及系统控制程序,对柱塞泵不同工况下的传感器信号进行采集;

5、s2、对采集不同工况下的轴向柱塞泵传感器数据进行归一化处理,然后采用连续小波变换(cwt)将数据转换成时频图,图像数据中包括有标签源域数据和无标签目标域数据,针对柱塞泵实际工作中的工况构建轴向柱塞泵多工况数据集,并分为训练集和测试集;

6、s3、基于域对抗神经网络和多尺度注意力机制理论搭建多尺度注意力机制的域对抗迁移网络(madatn);

7、s4、对模型进行迭代训练,使参数最优后对模型进行测试,将目标域测试集输入到特征提取器和标签预测器中进行实际故障诊断,以验证所提方法故障诊断的有效性。

8、进一步地,所述s1包括以下步骤:

9、s11、以轴向柱塞泵为研究对象,对所搭建的模拟故障试验台进行系统设计、元件选型和加工装配;

10、s12、数据采集系统设计与实施,包括数据采集及系统控制程序编写、传感器布置方案设计、采集参数设置及采集方案制定与实施。

11、进一步地,所述s2包括以下步骤:

12、s21、采集不同工况下的轴向柱塞泵振动数据进行归一化处理,然后采用连续小波变换(cwt)将数据转换成时频图,图像数据中包括有标签源域数据和无标签目标域数据;

13、s22、针对轴向柱塞泵实际工作中由于复杂多变的工况导致源工况和目标工况之间的数据存在分布差异,以及标签样本不足问题构建轴向柱塞泵数据集,每个数据集下包括轴向柱塞泵正常、滑靴磨损、松靴、配流盘磨损四种状态下的振动信号时频图,并分为训练集和测试集。

14、进一步地,所述s3包括以下步骤:

15、s31、以resnet18模型为基础,在resnet18模型的残差块中引入senet模块,用inception多尺度卷积模块替换resnet18中的7×7卷积块,去掉resnet18模型softmax层,搭建基于多尺度和注意力机制的特征提取器gmaf;

16、s32、以dann模型为基础,用基于多尺度和注意力机制的特征提取器gmaf代替dann特征提取部分,同时在dann中引入mk-mmd度量函数将提取的深层特征映射到高维空间,以此搭建基于多尺度注意力机制的域对抗迁移网络(madatn)模型。

17、进一步地,所述s4包括以下步骤:

18、s41、将有标签源域数据和无标签目标域数据的训练集输入到共享的特征提取器gmaf中提取深层特征;

19、s42、将源域数据提取的深层特征输入标签预测器gy进行分类,得到分类损失ly;

20、s43、利用mk-mmd计算源域和目标域提取的深层特征的分布差异,得到分布差异损失lmk-mmd;

21、s44、输入到领域判别器gd计算域判别损失ld,利用三个损失函数构造为总损失函数lmadatn;

22、s45、对模型进行迭代训练,使分类损失ly和lmk-mmd损失最小化,域判别损失ld最大化;

23、s46、对模型进行测试,并将目标域测试集输入到特征提取器gmaf和标签预测器gy中进行实际故障诊断,以测试所提方法故障诊断的有效性。

24、本发明的优点和积极效果:本发明设计了多尺度注意力机制残差特征提取网络,在resnet18模型中引入inception模块和senet单元构建多尺度注意力残差特征提取网络作为dann的特征提取器,使模型可以提取多尺度和更具判别性的特征,提高了网络的数据挖掘能力,能够适应各种故障信息的差异;在dann中引入mk-mmd度量函数,构造联合损失函数优化特征提取器,减少源域与目标域数据之间的分布差异,提高其提取域不变特征的能力。提高了轴向柱塞泵跨工况且目标域无标签样本情况下的故障诊断精度,为柱塞泵的故障诊断提供基础支撑,具有重要的工业价值。

技术特征:

1.一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法,其特征在于,包括以下步骤:

2.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法,其特征在于,所述s1包括以下步骤:

3.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法,其特征在于,所述s2包括以下步骤:

4.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法,其特征在于,所述s3包括以下步骤:

5.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法,其特征在于,所述s4包括以下步骤:

技术总结本发明提出了一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法。本发明通过构建多尺度残差特征提取网络,提高了模型适应各种故障信息差异的能力;通过构建联合损失函数,减少源域与目标域数据之间的分布差异,提高了网络的域自适应能力。本发明在跨工况及目标域无标签样本情况下可以识别轴向柱塞泵不同故障类型,并能达到较高的故障识别率。技术研发人员:董志奎,安会江,吴彦霖,刘刚,潘宏鑫,郭雨萱受保护的技术使用者:燕山大学技术研发日:技术公布日:2024/8/1

本文地址:https://www.jishuxx.com/zhuanli/20240802/261154.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。