基于自适应卷积与差分平移注意力的齿轮箱故障诊断方法

本发明涉及机械设备故障测试诊断，特别是一种基于自适应卷积与差分平移注意力的齿轮箱故障诊断方法。

背景技术：

1、齿轮箱作为旋转机械的核心传动部件，广泛应用于风力发电、轨道交通、航空航天等领域。由于长期工作在高速、重载、变工况等恶劣条件下，齿轮极易发生故障，从而影响旋转设备的正常运行。因此，开展齿轮箱故障诊断研究具有重要价值。

2、目前，齿轮箱故障诊断方法主要分为三类：基于信号处理的方法、基于传统机器学习的方法和基于深度学习的方法。

3、基于信号处理的方法，如快速傅里叶变换、小波变换、经验模态分解等，通过提取振动信号的时频域特征进行故障识别。其中，小波变换因其良好的时频局部化特性被广泛应用。然而，此类方法依赖人工特征工程，特征选择的主观性强，且难以适应复杂多变的工况环境。

4、基于传统机器学习的方法，如支持向量机、人工神经网络等，通过训练分类器实现故障自动识别。这类方法在一定程度上减少了人工干预，但仍需手工提取特征，且模型结构简单，难以适应复杂的故障模式。

5、基于深度学习的方法，近年来随着深度学习的不断发展，使用深度学习解决旋转设备故障诊断任务的研究逐渐变多。因其强大的特征自学习能力，避免了传统方法需要手动提取特征的问题。在故障诊断领域取得了显著进展。

6、然而，现有基于深度学习的诊断方法仍存在以下不足：

7、(1)在实际工业环境中，传感器采集的信息往往遭受背景噪声的干扰，并且在故障初期的设备，其故障特征及其微弱；现有的模型在低信噪比下的诊断精度不高，发现早期微弱故障的能力不足；

8、(2)现有多尺度注意力方法主要通过不同感受野特征的融合实现尺度信息建模，其关注重点更多集中于特征表示层面的多尺度表达，而对于不同时间尺度下变化信息的刻画相对不足；

9、(3)现有方法在多尺度特征提取中，通常采用固定权重对不同尺度卷积核的输出进行融合；然而，齿轮箱故障信号在不同频带、不同时间位置的故障特征强度存在差异，固定的融合权重无法根据信号特性动态调整，限制了模型的表达能力。

技术实现思路

1、本发明的目的在于克服现有技术存在的上述缺陷，提出了一种基于自适应卷积与差分平移注意力的齿轮箱故障诊断方法，旨在提高齿轮的故障诊的准确性，特别是在强噪声的环境下仍能有效实现故障检测。

2、本发明的技术方案是：一种基于自适应卷积与差分平移注意力的齿轮箱故障诊断方法，其中，包括以下步骤：

3、s1、信号采集与预处理，采集齿轮箱的多通道振动信号，形成原始的数据集；

4、s2、对步骤s1的数据集进行分割，获取数个样本，每个样本包含相同数量的数据点，每个样本包括数据点、故障类别标签和工况标签；

5、s3、构建das-net模型，利用训练集样本进行模型训练；

6、s4、将测试集样本输入经过步骤s3训练后得到的das-net模型，输出样本对应各类齿轮故障的概率，选取最大概率对应的类别作为该样本的最终故障诊断结果。

7、本发明的步骤s1中，在齿轮箱的轴承座、或者齿轮箱的箱体上设置数个加速度传感器；

8、通过加速度传感器采集水平方向、轴向、竖直方向的振动信号，将三个方向收集的振动信号组成多通道振动信号。

9、步骤s2中，对加速传感器采集的一维振动信号组成的数据集进行分割：将步骤s1得到的原始数据集按照7:1:2划分为训练集、验证集、测试集；然后采用滑窗法进行样本分割。

10、步骤s3中，对das-net模型的训练过程如下所述：

11、s3.1、利用离散小波变换自适应多尺度卷积模块提取训练集样本的多尺度特征；

12、s3.2、利用差分平移多尺度自适应注意力机制对降采样后得到的token特征序列进行时序特征增强。

13、步骤s3.1的具体实现过程如下所述：

14、s3.1.1、对训练集样本和测试集样本进行离散小波变换，使用预测小波基函数对训练集样本和测试集样本进行多层小波分解，提取信号频带上的多尺度特征，并将各层分解系数上采样至原始信号长度；

15、s3.1.2、对原始信号进行离散小波变换，并采用最近邻插值将细节系数上采样至原始信号长度l得到各层上采样细节分量进行特征拼接，得到特征拼接量：

16、

，

17、其中，为细节分量的数目；

18、s3.1.3、步骤s3.1.2得到的特征拼接量输入自适应多尺度卷积骨干网络，并输出高维时序特征；

19、自适应多尺度卷积骨干网络包括个一维并行卷积子层和自适应门控融合子层：一维并行卷积层中每个卷积核具有不同的尺寸，分别对输入特征进行卷积运算，得到多个分支拼接输出，：

20、

，

21、其中，表示卷积输出；表示卷积分支数量；表示第个一维卷积分支；

22、自适应门控融合子层接受多分支输出，首先，对进行全局池化得到：

23、

，

24、其中，为全局池化后的结果，，为实数域；为批量大小；为池化后的通道数目；

25、将输入全连接层生成权重得到：

26、

，

27、其中，表示门控网络输出的自适应尺度融合权重矩阵；表示第个卷积分支对应的自适应融合权重；b表示批量大小，n表示卷积分支数量；表示全连接层；表示归一化指数函数；

28、将各分支输出与各分支权重进行加权求和，得到高维时序特征：

29、

，

30、其中，表示激活函数，表示批归一化层；

31、s3.1.4、经过特征投影和降采样模块，将步骤s3.1.3得到的高维时序特征，通过卷积层投影至模型预设维度，并对其进行平均池化，得到token特征序列。

32、步骤s3.2的实现过程如下所述：

33、s3.2.1、将降采样后得到的token特征序列输入多层堆叠的ds-maa编码器层，每个ds-maa编码器层包括多尺度差分自适应注意力子层、前馈网络子层、残差连接和层归一化操作；

34、s3.2.2、将多层堆叠的ds-maa编码器层的融合输出，输入前馈网络和残差连接与层归一化。

35、步骤s3.2.1中，ds-maa编码器层的构建过程如下所述：

36、s3.2.1.1、构建瞬态差分分支：

37、对token特征序列进行瞬态差分运算，得到瞬态差分特征：

38、，

39、其中，表示第个token位置处的特征向量，表示第个token位置处的特征向量，表示相邻token之间的瞬态变化特征；

40、s3.2.1.2、构建多尺度平移差分分支：

41、设置平移延迟步长，对token特征序列进行平移差分运算，得到多尺度平移差分特征：

42、，

43、其中，表示第个token位置处的特征向量；表示延迟对应的平移差分特征；

44、s3.2.1.3、进行多分支自注意力建模：

45、经过瞬态差分和平移差分处理后，得到数个差分特征分支，包括瞬态差分分支和数个平移差分分支；

46、对于每一个差分特征分支，分别构建独立的查询矩阵、键矩阵和值矩阵，其表达式为：

47、，

48、其中，表示第个差分特征分支，表示第

i个分支对应的查询矩阵；表示第

i个分支对应的键矩阵；表示第

i个分支对应的值矩阵，、和分别表示该分支对应的可学习线性映射权重矩阵；

49、对各分支分别进行自注意力计算，得到分支注意力输出：

50、，

51、其中，表示归一化指数函数；表示每个注意力头对应的特征维度；表示第个差分分支经过自注意力建模后的增强特征；

52、s3.2.1.4、进行动态软路由门控融合：

53、将各分支的注意力输出在通道维度进行拼接，得到多分支融合特征：

54、，

55、其中，表示拼接后的多分支增强特征；为的输出；表示瞬态差分分支经自注意力建模后得到的增强特征；、、分别表示平移延迟步长为、和的平移差分分支经自注意力建模后得到的增强特征；

56、门控网络通过一个两层的非线性变换产生各分支权重分布：

57、，

58、其中，和均表示可学习参数；表示激活函数；

59、得到，并满足，其中，表示瞬态差分分支对应的动态门控权重；、、分别表示平移延迟步长为、和的平移差分分支对应的动态门控权重；

60、最终ds-maa编码器层的融合输出为：

61、

。

62、步骤s3.2.2的具体实现过程如下所述：

63、s3.2.2.1、经历第一次残差连接与层归一化得到:

64、

，

65、其中，

表示层归一化；表示随机失活函数；

66、s3.2.2.2、将第一次残差连接与层归一化输出的结果输入前馈网络得到：

67、

，

68、其中，表示前馈神经网络；

69、s3.2.2.3、将前馈网络的输出输入第二次残差连接和层归一化，得到transformer层的输出：

70、

，

71、s3.2.2.4、将transformer层的输出进行数层堆叠，最后一个transformer层的输出记为，将输入注意力池化层子层和分类头，得到分类结果；

72、注意力池化子层包括线性层和softmax归一化层，注意力池化子层的输出结果表示为：

73、

，

74、其中，表示归一化指数函数；表示全连接层；

75、将上述注意力池化子层的输出输入分类头，可得到样本类别即齿轮故障类别的预测概率：

76、

，

77、其中，为第一全连接层的权重矩阵；为第二全连接层的权重矩阵；表示激活函数；为第一全连接层的偏置向量；为第二全连接层的偏置向量；

78、将训练集样本和验证集样本输入das-net模型进行训练，模型拟合或达到早停机制设置的轮数保存最佳的das-net模型，加载最佳模型推理测试集样本可输出测试集样本类别。

79、本发明的有益效果是：

80、（1）利用离散小波变换对原始信号进行多频带分解，并结合后续自适应尺度卷积对不同子带特征进行局部模式提取，从而增强信号多尺度特征表达能力，提高模型对复杂故障特征的感知与识别能力；

81、（2）本技术所提出的差分平移多尺度自适应注意力机制（differential shiftmulti-scale adaptive attention module，ds-maa），通过瞬态差分增强局部冲击，多尺度平移差分构建不同时间尺度下的变化特征，利用动态门控融合与自注意力建模实现多尺度时序信息的自适应学习，实现了故障冲击信息与全局时序结构信息的协同建模。

82、（3）通过离散小波变换、自适应多尺度卷积与差分平移多尺度自适应注意力机制的协同作用，增强噪声环境下微弱故障特征及不同时间尺度变化特征的表征能力，提高不同齿轮故障类型之间的区分能力，从而提高强噪声条件下齿轮箱故障诊断的准确性和鲁棒性。