一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法及装置
本发明属于滚动轴承故障诊断领域，特别是对转化为二维时域图的故障信号，可用于工业生产中轴承故障种类的识别，具体涉及一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法及装置。
背景技术：
1、工业大数据和物联网技术迅速发展，机械化生产正变得日益普及。在这个背景下，机械设备正逐渐向自动化、智能化和复杂化方向发展。在工业生产中，预测与健康管理(prognostic andhealth management,phm)变得尤为重要。特别是对于旋转机械的运行状态和故障预警，一直是工业生产设备故障诊断的核心研究方向之一。其中，滚动轴承作为关键部件之一，其健康状态直接影响设备的稳定运行。
2、在工厂生产实际运行过程中，高速旋转的机械设备往往面临恶劣的工作环境，滚动轴承承受着不同载荷的多重作用。长时间的磨损、冲击等干扰会导致滚动轴承出现各种形式的缺陷性故障，从而给工业生产带来巨大的经济损失。统计数据显示，超过半数的大型机械设备故障源于其轴承组件运行状态出现问题。相比其他零部件，轴承材质更为脆弱，在运行周期中更加不稳定，容易受到磨损并最终断裂，因此需要定期检修更换。因此，对滚动轴承故障诊断方法的研究对于确保旋转机械设备的平稳安全运行具有重要意义。
3、传统的轴承故障诊断方法通常将信号处理技术和机器学习相结合。首先，需要获取轴承的振动信号，然后对振动信号进行信号处理，提取特征。最后，利用机器学习技术对提取的特征进行分类识别。这个过程主要包括特征提取和故障识别两个方面。然而，在真实工况下，传统机器学习模型面临着一系列挑战。与理想实验室环境不同，真实数据往往存在各种噪声干扰，数据类别不均衡，甚至数据样本的分布不一致。因此，将这些模型应用于实际情况时可能会面临着各种问题。
技术实现思路
1、本发明的目的在于克服现有常用的辅助分类对抗生成网络(auxiliaryclassifier generative adversarial network，acgan)虽然是一种强大的生成式网络，但仍然存在一些缺点和局限性，例如训练的不稳定性、生成样本在视觉上缺乏一致性、生成样本模糊缺乏清晰度等问题，因此提供一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法及装置，将协调注意力机制(coordinateattention mechanism，ca)与acgan相融合建立ca-acgan模型，利用二者的优点互补来解决轴承故障诊断问题，本发明不仅改善了原始算法的缺点而且在抗噪声性能上也表现出优异的性能。
2、为实现上述目的，本发明的技术方案是：一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，将协调注意力机制ca与辅助分类对抗生成网络acgan相融合建立ca-acgan模型实现轴承故障诊断。
3、在本发明一实施例中，所述方法包括如下步骤：
4、s1、采集原始一维轴承数据；
5、s2、将原始一维轴承数据进行连续小波变换转换为二维时频图作为真实数据；
6、s3、改进协调注意力机制，并将其与生成器融合；
7、s4、将随机噪声与标签一同送入生成器中生成虚假数据；
8、s5、将真实数据和虚假数据一起送入鉴别器训练；
9、s6、算法终止条件判断；
10、s7、重复进行步骤s2-s5直到达到纳什平衡；
11、s8、将训练完成的鉴别器提取出来，将测试集送入鉴别器进行测试，输出准确率及分类结果。
12、在本发明一实施例中，步骤s1中，所述原始一维轴承数据采用cwru滚动轴承数据集，将负载0工况下的驱动端轴承的振动信号采用12khz的采样频率进行收集。
13、在本发明一实施例中，步骤s2中，将原始一维轴承数据中驱动端轴承的振动信号分为600个数据点为一段，相邻段之间有300个重合点，生成各驱动端轴承状态二维时频图。
14、在本发明一实施例中，步骤s3具体实现方式为：
15、(1)坐标信息嵌入
16、将下式中规定的全局池化因子分解为一维特征编码：
17、
18、上式zc为se模块中对第c通道挤压后的输出，输入x直接来自具有固定核大小的卷积层，给定输入x后，使用池化核的两个空间范围(h,1)或(1,w)分别沿横坐标和纵坐标对每个通道进行编码；因此第c通道在高度h的输出表示为：
19、
20、类似地，宽度为w的第c通道输出如下式所示：
21、
22、两种变换分别沿着两个空间方向聚合特征，产生一对方向感知特征映射；
23、(2)协调注意力生成
24、给定由坐标信息嵌入公式的特征映射，首先将它们链接起来，然后将它们发送到共享的1×1卷积变换函数f1，得到下式：
25、f＝δ(f1([zh,zw]))
26、[zh,zw]表示沿空间维度的拼接操作，δ为非线性激活函数，f∈rc/r×(h×w)为水平方向和垂直方向编码空间信息的中间特征图；其中r是se模块中控制块大小的缩减比，然后沿着空间维度将f分成两个张量fh∈rc/r×h和fw∈rc/r×w；另外使用两个1×1卷积变换fh和fw分别将fh和fw转换为与输入x具有相同通道号的张量，再使用sigmoid函数激活得到如下式所示的输出：
27、gh＝σ(fh(fh))
28、gw＝σ(fw(fw))
29、式中σ是sigmoid函数，为减少模型的复杂性，减少比例r来减少f的通道数，然后将输出gh和gw分别展开并用作注意力的权重，最终，输出y的表达式如下式所示：
30、
31、改进协调注意力机制，即在使用两个1×1卷积变换fh和fw分别将fh和fw转换为与输入x具有相同通道号的张量之前，增加hard-swish激活函数，并且改进协调注意力机制的结构使其能够适应acgan网络结构，增加生成器网络对特征的捕捉能力。
32、在本发明一实施例中，hard-swish激活函数是swish函数的一种改进版本，公式如下：
33、
34、在本发明一实施例中，步骤s4中，将步骤s2生成的二维时频图按照7：3的比例划分，在基于python的pytorch深度学习框架下对ca-acgan模型进行模型的搭建与训练，训练轮数设置为1750，生成器与鉴别器网络部分学习率均设置为0.0002，将随机生成的噪声与标签一起送入生成器中生成虚假数据。
35、在本发明一实施例中，步骤s7中，若对输入的数据鉴别为真、假的概率均为50％，则表明达到纳什均衡，模型训练完毕。
36、本发明还提供了一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络装置，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
37、本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
38、相较于现有技术，本发明具有以下有益效果：本发明提出一种将协调注意力机制(coordinate attention mechanism，ca)与acgan相融合建立的ca-acgan模型，利用二者的优点互补来解决轴承故障诊断问题，本发明不仅改善了原始算法的缺点而且在抗噪声性能上也表现出优异的性能。
技术特征：
1.一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，将协调注意力机制ca与辅助分类对抗生成网络acgan相融合建立ca-acgan模型实现轴承故障诊断。
2.根据权利要求1所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，包括如下步骤：
3.根据权利要求2所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，步骤s1中，所述原始一维轴承数据采用cwru滚动轴承数据集，将负载0工况下的驱动端轴承的振动信号采用12khz的采样频率进行收集。
4.根据权利要求2所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，步骤s2中，将原始一维轴承数据中驱动端轴承的振动信号分为600个数据点为一段，相邻段之间有300个重合点，生成各驱动端轴承状态二维时频图。
5.根据权利要求2所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，步骤s3具体实现方式为：
6.根据权利要求5所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，hard-swish激活函数是swish函数的一种改进版本，公式如下：
7.根据权利要求2所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，步骤s4中，将步骤s2生成的二维时频图按照7：3的比例划分，在基于python的pytorch深度学习框架下对ca-acgan模型进行模型的搭建与训练，训练轮数设置为1750，生成器与鉴别器网络部分学习率均设置为0.0002，将随机生成的噪声与标签一起送入生成器中生成虚假数据。
8.根据权利要求2所述的一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法，其特征在于，步骤s7中，若对输入的数据鉴别为真、假的概率均为50％，则表明达到纳什均衡，模型训练完毕。
9.一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络装置，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
技术总结
本发明涉及一种应用于轴承故障诊断的协调注意力机制与辅助分类对抗生成网络方法及装置。将协调注意力机制CA与辅助分类对抗生成网络ACGAN相融合建立CA‑ACGAN模型实现轴承故障诊断。包括：采集原始一维轴承数据；将原始一维轴承数据进行连续小波变换转换为二维时频图作为真实数据；改进协调注意力机制，并将其与生成器融合；将随机噪声与标签一同送入生成器中生成虚假数据；将真实数据和虚假数据一起送入鉴别器训练；算法终止条件判断；重复进行步骤直到达到纳什平衡；将训练完成的鉴别器提取出来，将测试集送入鉴别器进行测试，输出准确率及分类结果。本发明不仅改善了原始算法的缺点而且在抗噪声性能上也表现出优异的性能。
技术研发人员：周林,舒旭童,练秋芳,鲁紫君,柯毅东
受保护的技术使用者：华侨大学
技术研发日：
技术公布日：2024/9/23