本發(fā)明屬于軸承故障診斷，尤其涉及基于多高斯注意力的單源域泛化軸承故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、工業(yè)系統(tǒng)的可靠性和安全性依賴于有效的故障診斷，特別是對(duì)軸承的故障診斷。軸承對(duì)旋轉(zhuǎn)軸提供支持力，并減少摩擦。因此，對(duì)軸承進(jìn)行及時(shí)、有效的故障診斷對(duì)保障工業(yè)系統(tǒng)的可靠性是至關(guān)重要的。但是，由于軸承容易出現(xiàn)各種故障，一旦出現(xiàn)故障，會(huì)嚴(yán)重破壞正常的工業(yè)生產(chǎn)活動(dòng)。因此，針對(duì)軸承故障準(zhǔn)確檢測(cè)和診斷對(duì)于預(yù)測(cè)性維護(hù)、減少停機(jī)時(shí)間和降低維護(hù)成本至關(guān)重要。

2、由于深度學(xué)習(xí)技術(shù)能夠準(zhǔn)確地從大量標(biāo)注數(shù)據(jù)中學(xué)習(xí)復(fù)雜模式，因此在智能故障診斷中得到了迅速的發(fā)展。盡管有一些深度學(xué)習(xí)的方法取得了成功，但在實(shí)際環(huán)境中，由于操作條件和環(huán)境噪聲的變化，這些方法經(jīng)常面臨挑戰(zhàn)，從而導(dǎo)致域偏移問題。域偏移是指訓(xùn)練數(shù)據(jù)(源域)與測(cè)試數(shù)據(jù)(目標(biāo)域)存在統(tǒng)計(jì)屬性的差異。在源域上訓(xùn)練的模型應(yīng)用于現(xiàn)實(shí)世界中的分布外數(shù)據(jù)時(shí)，會(huì)導(dǎo)致深度學(xué)習(xí)模型性能的下降。

3、為了解決訓(xùn)練和測(cè)試數(shù)據(jù)之間的域偏移問題，像領(lǐng)域適應(yīng)（domain?adaptation,da）和領(lǐng)域泛化（domain?generalization,?dg）這樣的領(lǐng)域遷移技術(shù)已經(jīng)被開發(fā)出來(lái)用于智能故障診斷。故障診斷中的?da?方法使用最大均值差異（maximum?mean?discrepancy,mmd）和對(duì)抗學(xué)習(xí)等策略來(lái)對(duì)源域和目標(biāo)域的數(shù)據(jù)分布進(jìn)行對(duì)齊。這些方法通過(guò)學(xué)習(xí)在各個(gè)領(lǐng)域中都不變的特征，以提高已知源域的故障診斷性能，并有效地適應(yīng)于目標(biāo)任務(wù)。然而，da?方法在實(shí)際部署中往往面臨挑戰(zhàn)。例如，域適應(yīng)方法在泛化到他們訓(xùn)練外的其他目標(biāo)域時(shí)，其有效性通常會(huì)有一定下降。

4、領(lǐng)域泛化是另外一種遷移學(xué)習(xí)方法。通過(guò)利用多個(gè)有標(biāo)簽的源域數(shù)據(jù)協(xié)同構(gòu)建出一個(gè)高魯棒性的模型，而無(wú)需目標(biāo)域數(shù)據(jù)的參與?；陬I(lǐng)域泛化的故障診斷方法的主要目標(biāo)是識(shí)別并提取不同源域之間一致的、域無(wú)關(guān)的特征。然而，盡管領(lǐng)域泛化方法有著諸多優(yōu)點(diǎn)，但其在故障診斷領(lǐng)域依然面臨著一些挑戰(zhàn)。例如，領(lǐng)域泛化方法需要從多個(gè)源域收集不同的數(shù)據(jù)樣本參與訓(xùn)練，以確保訓(xùn)練得到的模型的魯棒性。然而，由于故障很少發(fā)生，在實(shí)際的工業(yè)應(yīng)用中，收集大量的、不同工況下的高質(zhì)量故障數(shù)據(jù)依然很困難。

5、在這種情況下，單源域泛化（single?domain?generalization,?sdg）方法被提出并應(yīng)用于故障診斷領(lǐng)域。大多數(shù)sdg方法側(cè)重于生成更多的數(shù)據(jù)或特征，以提高故障診斷模型的泛化能力。盡管數(shù)據(jù)或特征增強(qiáng)通常是有效的，但這些方法忽略了故障數(shù)據(jù)和故障類型的內(nèi)部分布關(guān)系。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于多高斯注意力的單源域泛化軸承故障診斷方法及系統(tǒng)，利用高斯函數(shù)和雙峰高斯函數(shù)將多尺度的故障特征投影到高斯特征空間，并根據(jù)這些函數(shù)的特征對(duì)齊程度分配注意力權(quán)重，同時(shí)利用協(xié)方差損失保證加權(quán)特征具有不同的分布參數(shù)，從而提高特征多樣性，使模型能夠有效地泛化到未見過(guò)的目標(biāo)域。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的一個(gè)或多個(gè)實(shí)施例提供了如下技術(shù)方案：

3、本發(fā)明第一方面提供了基于多高斯注意力的單源域泛化軸承故障診斷方法。

4、基于多高斯注意力的單源域泛化軸承故障診斷方法，包括以下步驟：

5、獲取軸承單源域原始數(shù)據(jù)；

6、將軸承單源域原始數(shù)據(jù)輸入至基于多高斯注意力的單源域泛化模型中，使用特征提取網(wǎng)絡(luò)提取多尺度卷積特征，并利用多元高斯注意力模塊將卷積特征映射到高斯特征空間中，得到高斯特征，將高斯特征歸一化并對(duì)卷積特征進(jìn)行加權(quán)，得到加權(quán)卷積特征；

7、將加權(quán)卷積特征輸入至分類器中進(jìn)行分類，完成對(duì)軸承的故障診斷。

8、本發(fā)明第二方面提供了基于多高斯注意力的單源域泛化軸承故障診斷系統(tǒng)。

9、基于多高斯注意力的單源域泛化軸承故障診斷系統(tǒng)，包括：

10、數(shù)據(jù)獲取模塊，被配置為：獲取軸承單源域原始數(shù)據(jù)；

11、多元高斯注意力機(jī)制特征提取模塊，被配置為：將軸承單源域原始數(shù)據(jù)輸入至基于多高斯注意力的單源域泛化模型中，使用特征提取網(wǎng)絡(luò)提取多尺度卷積特征，并利用多元高斯注意力模塊將卷積特征映射到高斯特征空間中，得到高斯特征，將高斯特征歸一化并對(duì)卷積特征進(jìn)行加權(quán)，得到加權(quán)卷積特征；

12、分類模塊，被配置為：將加權(quán)卷積特征輸入至分類器中進(jìn)行分類，完成對(duì)軸承的故障診斷。

13、以上一個(gè)或多個(gè)技術(shù)方案存在以下有益效果：

14、針對(duì)滾動(dòng)軸承因運(yùn)行條件變化而容易發(fā)生域偏移的問題，本發(fā)明提供了一種基于多高斯注意力的單源域泛化軸承故障診斷方法及系統(tǒng)，?mga-sdg（基于多高斯注意力的單源域泛化模型）利用高斯函數(shù)和雙峰高斯函數(shù)將多尺度的故障特征投影到高斯特征空間，而后，利用歸一化的高斯特征對(duì)卷積特征進(jìn)行加權(quán)，并根據(jù)這些函數(shù)的特征對(duì)齊程度分配注意力權(quán)重，此過(guò)程確保更符合特定高斯分布的特征對(duì)故障分類的影響更大。同時(shí)，本發(fā)明利用協(xié)方差損失保證加權(quán)特征具有不同的分布參數(shù)，從而提高特征多樣性，使模型能夠有效地泛化到未見過(guò)的目標(biāo)域。在公開滾動(dòng)軸承數(shù)據(jù)集開展了廣泛實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本發(fā)明所提出的方法具有更高的性能和魯棒性，在真實(shí)世界的工業(yè)應(yīng)用中具有極大的潛力。

15、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

技術(shù)特征：

1.基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于：

3.如權(quán)利要求2所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于，還包括使用切分注意力模塊融合特征提取網(wǎng)絡(luò)i和特征提取網(wǎng)絡(luò)ii提取的卷積特征，具體包括：

4.如權(quán)利要求3所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于，利用多元高斯注意力模塊將卷積特征映射到高斯特征空間中，得到高斯特征，具體包括：

5.如權(quán)利要求4所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于，獲取高斯特征的具體公式為：

6.如權(quán)利要求5所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于，將高斯特征歸一化并對(duì)卷積特征進(jìn)行加權(quán)，得到加權(quán)卷積特征，具體包括：

7.如權(quán)利要求4所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于，所述基于多高斯注意力的單源域泛化模型的全局損失定義為：

8.如權(quán)利要求7所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于：

9.如權(quán)利要求7所述的基于多高斯注意力的單源域泛化軸承故障診斷方法，其特征在于：

10.基于多高斯注意力的單源域泛化軸承故障診斷系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提出了基于多高斯注意力的單源域泛化軸承故障診斷方法及系統(tǒng)，涉及軸承故障診斷技術(shù)領(lǐng)域。包括獲取軸承單源域原始數(shù)據(jù)并輸入至基于多高斯注意力的單源域泛化模型中，使用特征提取網(wǎng)絡(luò)提取多尺度卷積特征，并利用多元高斯注意力模塊將卷積特征映射到高斯特征空間中，得到高斯特征，將高斯特征歸一化并對(duì)卷積特征進(jìn)行加權(quán)，得到加權(quán)卷積特征；將加權(quán)卷積特征輸入至分類器中進(jìn)行分類。本發(fā)明利用高斯函數(shù)和雙峰高斯函數(shù)將多尺度的故障特征投影到高斯特征空間，并根據(jù)這些函數(shù)的特征對(duì)齊程度分配注意力權(quán)重，同時(shí)利用協(xié)方差損失保證加權(quán)特征具有不同的分布參數(shù)，從而提高特征多樣性，使模型能夠有效地泛化到未見過(guò)的目標(biāo)域。

技術(shù)研發(fā)人員：宋艷,從霄,王奧成,王代超,李沂濱
受保護(hù)的技術(shù)使用者：山東大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19