一种融合多通道注意力的轻量级多尺度轴承故障诊断方法

发明属于深度学习旋转机械故障诊断，适配经自适应 stft 处理后的标准化轴承时频图，面向起重机变转速轴承轻量化、高精度在线诊断场景。

背景技术：

1、滚动轴承是旋转机械设备的核心承载部件，广泛应用于风机、电机、减速器、数控机床等工业装备。设备长期重载、变转速、粉尘侵蚀工况下，轴承极易出现内圈磨损、外圈剥落、滚动体损伤、保持架断裂等局部故障；若故障早期未被精准识别，会逐步扩大引发机组振动超标、停机停产，严重时造成设备损毁与安全生产事故。因此，实现轴承微弱故障特征的精准、实时检测，是工业预测性维护领域的核心研究方向。

2、当前主流诊断手段依托振动信号分析：采集轴承时域振动波形后，通过时频变换生成时频图谱，故障冲击、调制谐波等特征集中体现在时频图中，基于图像识别的深度学习方法已成为故障诊断主流方案。但工业现场部署场景存在诸多现实约束，传统深度学习模型难以适配实际落地需求。

3、现有技术有以下不足：

4、（1）传统浅层时频分析方法依赖人工提取特征，泛化能力差。 小波变换、频谱分析、包络谱等传统方法需要工程师根据设备工况手动筛选频带、设计特征指标，对操作人员专业门槛要求高；面对变载荷、噪声干扰强的复杂工况，人工特征易被背景噪声淹没，微弱早期故障识别准确率大幅下降，无法实现自动化智能诊断。

5、（2）常规深度卷积网络参数量大、推理速度慢，难以轻量化部署。 标准 cnn、resnet 等深层网络堆叠大量标准卷积层，参数量与计算量庞大，仅能在高性能服务器离线运算；而工业现场边缘采集终端、嵌入式检测芯片算力、内存资源有限，大型模型无法实时运行，存在落地部署困难、检测延迟高的问题。现有轻量化网络大多单纯削减网络层数、压缩通道，大幅丢失时频图中小尺度故障冲击特征，诊断精度损失严重。

6、（3）单尺度卷积结构无法兼顾不同尺寸故障特征，特征提取能力不足。 轴承故障存在多尺度特性：微小点蚀对应时频图细粒度窄脉冲纹理，大面积剥落对应大范围连续谐波区域。单一固定尺寸卷积核只能捕获单一尺度信息，小卷积难以捕捉周期性全局故障分量，大卷积弱化微弱早期冲击细节，多尺度故障信息无法同步提取，模型区分不同故障类型的能力受限。

7、（4）缺乏针对性注意力机制，噪声与无效背景干扰特征识别。 工业现场振动信号混杂电机电磁噪声、齿轮啮合干扰、设备基础振动等无关分量，映射至时频图后形成大面积无效背景区域。普通卷积网络对所有像素、通道均等权重处理，无法自动聚焦故障关键时频区域；通道中大量噪声特征与无效通道占用模型运算资源，弱化有效故障特征表达，深层网络易出现特征淹没、梯度失效问题。

8、（5）现有注意力模块功能单一，难以同步挖掘通道、空间、全局长距离关联特征。现有诊断模型多采用单一通道注意力或空间注意力，仅能实现单维度特征加权；轴承时频图谱内故障冲击存在跨时域、跨频域长距离关联关系，单一种类注意力无法建模全局依赖；且注意力支路未设置残差连接，优化后的特征易丢失底层基础时频信息，训练过程易发生梯度消失，模型收敛速度慢。

技术实现思路

1、为解决上述问题，本发明的目的在于提供一种融合多通道注意力的轻量级多尺度轴承故障诊断方法；

2、本发明所采用的技术方案：

3、一种融合多通道注意力的轻量级多尺度轴承故障诊断方法，包括如下步骤：

4、s1：采集轴承多通道振动信号并执行预处理，得到标准化时频图，构建时频图数据集；

5、s2：构建轻量级多尺度轴承故障诊断模型；所述轻量级多尺度轴承故障诊断模型包括空洞深度可分离卷积主干模块、多尺度特征金字塔融合模块、多通道协同三重注意力模块和轻量化分类输出模块；

6、s21：将标准化时频图输入空洞深度可分离卷积主干模块得到基础时频特征图；所述空洞深度可分离卷积主干模块由3×3标准卷积层和三级结构相同的卷积单元构成；所述三级结构相同的卷积单元包括空洞深度卷积层、3×3空洞卷积层、最大池化层和dropout层；

7、s22：将基础特征图输入多尺度特征金字塔融合模块得到复合多尺度特征图；所述多尺度特征金字塔融合模块包括三路并行分支卷积层、通道拼接层、自适应融合卷积层和批归一化层；所述三路并行分支卷积层包括1×1卷积子层、2×2卷积子层和3×3卷积子层；

8、s23：将复合多尺度特征图输入多通道协同三重注意力模块得到注意力增强特征图；所述多通道协同三重注意力模块包括通道注意力支路网络层、空间注意力支路网络层、多头自注意力支路网络层和残差融合配套层；所述通道注意力支路网络层包括全局平均池化子层、全连接层relu激活子层、全连接层sigmoid激活子层和逐通道相乘层；所述空间注意力支路网络包括7×7卷积子层、sigmoid激活子层和逐像素相乘子层；所述多头自注意力支路网络层包括三组1×1卷积子层和多头注意力计算子层；所述残差融合配套层包括1×1投影卷积子层、逐元素相加子层和relu激活子层；

9、s24：将注意力增强特征图输入轻量化分类输出模块得到故障类别概率分布；所述轻量化分类输出模块包括全局平均池化层、轻量化全连接层和softmax激活层；

10、s25：将标准化时频图输入轻量级多尺度轴承故障诊断模型进行反向传播与训练参数优化得到优化的轻量级多尺度轴承故障诊断模型；

11、s3：采集轴承多通道振动信号并执行预处理并输入优化的轻量级多尺度轴承故障诊断模型得到故障类别概率分布。

12、优选地，所述s21中，将标准化时频图输入空洞深度可分离卷积主干模块得到基础时频特征，具体过程如下：

13、将标准化时频图输入3×3标准卷积层，通过 3×3 卷积运算提取时频浅层纹理，得到浅层基础特征图；将浅层基础特征图依次输入三级结构相同的卷积单元中；浅层基础特征图输入空洞深度卷积层进行各通道独立轻量化卷积得到单通道中间特征图，表示如下：

14、

15、其中，表示膨胀率的3×3深度可分离卷积，表示单通道中间特征图，表示浅层基础特征图，表示非线性激活函数；表示批归一化；

16、再将单通道中间特征图输入3×3空洞卷积层进行跨通道特征融合并提升通道维度得到融合特征图，表示如下：

17、

18、其中，表示融合特征图，表示批归一化，表示单通道中间特征图，表示膨胀率的3×3空洞卷积层，表示该层输出通道数；

19、再将融合特征图输入最大池化层进行压缩得到压缩特征图，将压缩特征图输入dropout层，随机屏蔽部分通道抑制过拟合，得到本层最终输出特征图，表示如下：

20、

21、其中，表示本层最终输出特征图，表示随机失活正则化，表示2×2 尺寸、步长为2的二维最大池化下采样操作，特征图长宽减半，表示融合特征图；

22、逐级完成特征提取、下采样与正则化，经过三级结构相同的卷积单元的完整循环运算后，得到基础特征图；

23、所述三级结构相同的卷积单元的公式如下：

24、

25、其中，表示输出特征图上坐标位置的像素值，表示卷积核权重矩阵，表示卷积核内相对坐标，表示卷积核半径，表示3×3空洞卷积层的输入特征图，表示空洞卷积膨胀率。

26、优选地，所述s22中，将基础特征图输入多尺度特征金字塔融合模块得到复合多尺度特征图，具体过程如下：

27、将基础特征图分别送入1×1卷积子层、2×2卷积子层、3×3卷积子层并行卷积，提取不同尺度故障特征，得到三组独立尺度特征图，表示如下：

28、

29、其中，表示1×1卷积子层输出小尺度特征图，表示2×2卷积子层输出中尺度特征图，表示3×3卷积子层输出大尺度特征图；表示该特征图属于三维实数张量，表示特征图高度；表示特征图宽度，表示单分支输出通道数；表示基础时频特征图；表示1×1二维卷积，小尺度卷积分支，提取细微故障纹理；表示2×2二维卷积，中尺度卷积分支，提取中尺度故障特征；表示3×3 二维卷积，大尺度卷积分支，提取大尺度周期性故障区域；

30、将三组独立尺度特征图输入通道拼接层沿通道维度堆叠融合，得到多通道拼接特征图，表示如下：

31、

32、其中，表示多通道拼接特征图；

33、将多通道拼接特征图输入自适应融合卷积层完成通道权重自适应整合，得到权重融合特征图，表示如下：

34、

35、其中，表示权重融合特征图，表示1×1卷积操作，

36、将权重融合特征图再输入批归一化层标准化特征分布，最终得到复合多尺度特征图；所述三组独立尺度特征图包括小尺度特征图、中尺度特征图和大尺度特征图，表示如下：

37、

38、其中，表示复合多尺度特征图，表示批归一化操作。

39、优选地，所述s23中，将复合多尺度特征图输入多通道协同三重注意力模块得到注意力增强特征图，具体过程如下：

40、s231：将复合多尺度特征图输入通道注意力支路网络层得到通道加权特征图，具体过程如下：

41、将复合多尺度特征图输入全局平均池化子层进行逐通道全局均值池化并压缩空间维度得到通道全局表征，表示如下：

42、

43、其中，表示通道全局表征，表示复合多尺度特征图第通道、空间坐标处的像素值；表示特征图的高度；表示特征图的宽度；

44、将通道全局表征输入全连接relu激活子层对通道向量降维映射并引入非线性得到降维非线性通道特征，将降维非线性通道特征输入全连接sigmoid激活子层进行升维恢复通道数量和通道权重得到通道注意力权重掩码，表示如下：

45、

46、其中，表示通道注意力权重掩码，表示sigmoid激活函数，表示第二层全连接层权重矩阵，表示第一层全连接层权重矩阵，表示全局平均池化输出的通道全局表征，表示relu激活函数；

47、将通道注意力权重掩码输入逐通道相乘层，将权重掩码与复合多尺度特征图逐通道加权相乘得到通道加权特征图，表示如下；

48、

49、其中，表示第个通道的通道加权特征图，表示复合多尺度特征图；

50、s232：将通道加权特征图输入空间注意力支路网络层得到通道 空间双重加权特征图，具体过程如下：

51、将通道加权特征图输入7×7卷积子层提取空间位置关联信息得到单通道空间特征图，表示如下：

52、，

53、其中，表示单通道空间特征图，表示卷积核尺寸为7×7的二维卷积操作，表示通道加权特征图；

54、将单通道空间特征图输入sigmoid激活子层得到空间注意力权重图，表示如下：

55、，

56、其中，表示空间注意力权重图，表示激活函数；

57、将空间注意力权重图输入逐像素相乘子层中，将空间注意力权重图与通道加权特征图逐像素相乘得到通道空间双重加权特征图；

58、，

59、其中，表示通道空间双重加权特征图，表示空间注意力权重图在坐标处的权重系数，表示特征图横向、表示纵向空间坐标，表示特征通道索引，表示空间注意力权重图输出的特征像素值；

60、s233：将通道空间双重加权特征图输入多头自注意力支路网络层得到全局关联融合特征图，具体过程如下；

61、将通道空间双重加权特征图输入三组1×1卷积子层，分别对特征图线性变换得到三组独立映射特征，将三组独立映射特征输入多头注意力计算子层拆分多头计算缩放点积注意力得到全局关联融合特征图；

62、s234：将全局关联融合特征图输入残差融合配套层得到注意力增强特征图，具体过程如下：

63、将全局关联融合特征图输入1×1投影卷积子层，将全局关联融合特征图与复合多尺度特征图做维度对齐得到维度匹配的特征图，表示如下：

64、

65、其中，表示多头自注意力整体运算函数，表示查询矩阵、表示键矩阵、表示值矩阵，表示个并行独立单注意力头的输出，表示本研究设定的注意力头数量，表示通道维度拼接操作，表示对拼接后的多头特征做线性映射降维；

66、将维度匹配的特征图输入逐元素相加子层中，复合多尺度特征图和维度匹配的特征图进行特征残差相加得到残差融合特征图，表示如下：

67、

68、其中，表示残差融合特征图，表示维度匹配的特征图；表示复合多尺度特征图；

69、将残差融合特征图输入relu激活子层引入非线性，完成最终特征映射得到注意力增强特征图，表示如下：

70、

71、其中，表示注意力增强特征图。

72、优选地，所述s24中，将注意力增强特征图输入轻量化分类输出模块得到故障类别概率分布，具体过程如下：

73、将注意力增强特征图输入全局平均池化层，通过逐通道全局均值运算压缩空间维度，得到一维特征向量，将一维特征向量输入轻量化全连接层完成维度映射，得到原始得分向量，将得分向量再输入 softmax激活层进行归一化处理，最终得到故障类别概率分布。

74、优选地，所述s25中，将标准化时频图输入轻量级多尺度轴承故障诊断模型进行反向传播与训练参数优化得到优化的轻量级多尺度轴承故障诊断模型，具体过程如下：

75、将标准化轴承时频图输入网络执行前向传播，时频图经空洞深度可分离卷积主干模块提取多尺度基础特征，再通过多尺度特征金字塔融合模块聚合大小尺度故障信息，送入多通道协同三重注意力模块强化关键故障特征并残差融合，最后由轻量化分类输出模块输出故障预测概率；结合样本真实标签计算分类损失，以损失最小化为目标执行反向传播，逐层求解网络参数梯度并通过优化器迭代更新全部权重；循环执行样本前向推理与参数梯度更新，直至模型性能收敛，最终得到完成参数优化的轻量级多尺度轴承故障诊断模型。

76、本发明的有益效果：

77、空洞深度可分离卷积大幅降低模型参数量与计算量，兼顾轻量化与多尺度感受野，适配嵌入式边缘设备在线诊断；

78、特征金字塔并行三路卷积同步提取大小尺度故障特征，浅层冲击细节与深层语义信息充分融合，早期微弱故障识别能力显著提升；

79、通道、空间 、多头三重注意力协同工作，从通道、局部空间、全局依赖三层筛选关键故障信息，抑制变转速带来的噪声与无关干扰，消融实验证明相比单一注意力准确率提升1.3%~3.7%；

80、与自适应stft 时频提取方法形成完整端到端诊断链路，在自建变转速冲击混合数据集、公开渥太华轴承数据集上均实现96%以上诊断精度，泛化能力强。