本发明属于轴承设备故障诊断的，尤其涉及基于交叉注意力的多尺度特征的轴承故障诊断方法及系统。
背景技术：
：：1、本部分的陈述仅仅是提供了与本发明相关的
背景技术：
：信息，不必然构成在先技术。2、在现代工业技术的迅速发展下，工业设备向着大型化、复杂化、智能化发展，这也造成在工业设备运行时出现了更多的安全性问题，对工业机械设备维护与运行状态检测提出了更高的要求。滚动轴承是机械设备系统中的关键部件，其健康状况将直接对整个机械系统的系统性能、可靠性和安全性产生影响。由于工作环境恶劣，工作状态多变，滚动轴承在这样的环境下工作，很容易受损，出现故障。此类故障将对制造业造成巨大经济损失，甚至可能造成人员伤亡。因此，对旋转机械的关键部件进行准确的监测和诊断具有重要意义，它可以显著降低操作和维护成本。3、随着信息技术的发展以及机器学习算法的进步，基于数据驱动的滚动轴承故障诊断方法发挥出了越来越重要的作用。在过去的几年里，各种各样的数据驱动方法被广泛研究并应用于机器故障诊断。在文献“yan x, jia m. a novel optimized svmclassification algorithm with multi-domain feature and its application tofault diagnosis of rolling bearing[j]. neurocomputing, 2018, 313: 47-64”中，提出了一种新的基于多域特征优化svm的故障分类算法，该算法主要包括三个步骤：多域特征提取、特征选择和故障识别。文献“wang h, liu z, peng d, et al. interpretableconvolutional neural network with multilayer wavelet for noise-robustmachinery fault diagnosis[j]. mechanical systems and signal processing, 2023,195: 110314”提出了一种用于噪声鲁棒机械故障诊断的多层小波注意力卷积神经网络，所提出的离散小波注意层（dwa层）用于将时域信号映射到小波空间，并通过可学习的卷积层获得有价值的信息。文献“liu h, zhou j, zheng y, et al. fault diagnosis ofrolling bearings with recurrent neural network-based autoencoders[j]. isatransactions, 2018, 77: 167-178.”提出了一种利用自动编码器形式的rnn检测轴承故障的创新方法。文献“r. zhao, r. yan, j. wang, and k. mao, “learning to monitormachine 862 health with convolutional bi-directional lstm networks,” sensors,863 vol. 17, no. 2, p. 273, 2017.” 将cnn与长短期记忆网络（lstm）连接起来，用以提取振动信号的时间和空间特征。轴承的振动信号显示出很强的周期性，这表明信号之间存在关联关系。在目前可用的方法中，cnn有限的局部感受野不足以捕捉全局关联，而 rnn 由于其串行处理机制只能建立相邻时刻的依赖关系。transformer模型更注重全局关联信息，更有利于对具有周期性特征的轴承信号进行远距离特征提取。多头自注意力机制能够挖掘多个空间的信息并将其整合到模型中，从而增强模型的鲁棒性，这为轴承故障诊断提供了一条新的有效途径。此外，随着现代工业系统复杂性的增加，多传感器协同监测越来越多地被用于复杂系统的综合测量和检测。4、当前针对滚动轴承故障诊断方法多数仅从单个域中对信号特征进行特征提取，无法挖掘更加丰富的故障信息，诊断结果的可信度不足。而当前少部分的多源信息融合故障诊断方法中，数据往往来自不同的检测设备，如振动传感器、温度传感器、声音传感器等，每种设备采集的信号类型和特性都有所不同，数据的异构性导致现有方法存在着诊断准确率不高，且泛化能力不足，对噪声鲁棒性差等问题。5、由此，利用各类传感器信号的互补性、差异性，构建多源特征融合故障诊断框架，将会是未来故障诊断技术发展的重要方向。技术实现思路1、为克服上述现有技术的不足，本发明提供了基于交叉注意力的多尺度特征的轴承故障诊断方法，相较于现有的故障诊断方法故障诊断准确率有显著提升，且泛化能力大大增强，具有优秀的抗噪能力。2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：3、第一方面，公开了基于交叉注意力的多尺度特征的轴承故障诊断方法，包括：4、获取轴承上的多种类型的传感器数据，将每种类型的一维传感器数据分割成设定大小的数据段并转换成二维灰度图像数据；5、将预处理后的多种类型的传感器的二维灰度图像数据分别输入至mmctn模型的各个基于交叉注意力的多尺度特征提取模块；6、每个基于交叉注意力的多尺度特征提取模块对所接收的该类型传感器的二维灰度图像数据按不同尺度进行特征提取，并利用交叉注意力机制进行不同尺度间特征融合，获得特征向量；7、将每个基于交叉注意力的多尺度特征提取模块提取的特征向量在特征层进行元素级细粒度特征融合操作，以获得多源信号的融合特征；8、基于获得多源信号的融合特征进行故障分类，输出故障类别。9、作为进一步的技术方案，基于交叉注意力的多尺度特征提取模块包括两个分支，分别为大尺度分支交叉注意力特征提取模块及小尺度分支交叉注意力特征提取模块；10、两个分支分别将二维灰度图像数据按照一定的补丁尺寸分割，然后将每个补丁进行线性投影为标记，从而将图像转换为补丁标记序列。11、作为进一步的技术方案，还包括：将随机初始化的可训练cls 标记添加到样本序列的前端；12、cls 标记可视为分支的全局抽象特征表示，包含样本的类别信息，利用 cls 标记来实现大小尺度分支之间的特征融合。13、作为进一步的技术方案，大尺度分支交叉注意力特征提取模块在进行大尺度特征提取时：14、大尺度分支的cls 标记被映射到小尺度分支的cls 标记的维度；15、然后将其与小尺度分支的cls 标记相加，以获得融合的cls 标记，；16、将融合的 cls 标记和小尺度分支的补丁标记连接起来，形成一个融合的标记序列；17、对和, 进行交叉注意力计算，其中作为查询向量；18、交叉注意力计算完成后，输出通过层归一化和残差连接，融合的 cls 标记会被映射回原分支的维度，并与原分支的补丁标记结合，形成一个融合标记序列。19、作为进一步的技术方案，进行元素级细粒度特征融合操作，具体包括：20、将来自不同信号源的信号特征会根据相应的尺度分支在元素级的相应位置进行相乘，两个尺度的特征张量进行元素级特征融合，获得融合后的特征。21、作为进一步的技术方案，所述多种类型的传感器数据至少包括振动信号和速度信号。22、作为进一步的技术方案，所述故障分类包括轴承的内圈故障和外圈故障。23、第二方面，公开了基于交叉注意力的多尺度特征的轴承故障诊断系统，包括：24、数据获取及预处理模块，被配置为：获取轴承上的多种类型的传感器数据，将每种类型的一维传感器数据分割成设定大小的数据段并转换成二维灰度图像数据；25、mmctn模型处理模块，被配置为：将预处理后的多种类型的传感器的二维灰度图像数据分别输入至mmctn模型的各个基于交叉注意力的多尺度特征提取模块；26、每个基于交叉注意力的多尺度特征提取模块对所接收的该类型传感器的二维灰度图像数据按不同尺度进行特征提取，并利用交叉注意力机制进行不同尺度间特征融合，获得特征向量；27、将每个基于交叉注意力的多尺度特征提取模块提取的特征向量在特征层进行元素级细粒度特征融合操作，以获得多源信号的融合特征；28、基于获得多源信号的融合特征进行故障分类，输出故障类别。29、以上一个或多个技术方案存在以下有益效果：30、本实施例子技术方案基于交叉注意力的多尺度特征提取模块，将输入数据分为大小两个补丁尺寸，从多个尺度提取故障信息特征，提高故障诊断的准确率。针对用单一传感器信号进行故障诊断可靠度不足的问题，提出了改进的多源特征融合方法，对多传感器数据进行细粒度特征级融合，获得更加鲁棒全面的故障特征。相较于传统基于单一信号源的故障诊断方法故障诊断准确率有显著提升，且泛化能力大大增强，具有优秀的抗噪能力。31、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。当前第1页12当前第1页12
技术特征：1.基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，包括：
2.如权利要求1所述的基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，基于交叉注意力的多尺度特征提取模块包括两个分支，分别为大尺度分支交叉注意力特征提取模块及小尺度分支交叉注意力特征提取模块；
3.如权利要求1所述的基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，还包括：将随机初始化的可训练cls 标记添加到输入序列的前端；
4.如权利要求1所述的基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，大尺度分支交叉注意力特征提取模块在进行大尺度特征提取时：
5.如权利要求1所述的基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，进行元素级细粒度特征融合操作，具体包括：
6.如权利要求1所述的基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，所述多种类型的传感器数据至少包括振动信号和速度信号。
7.如权利要求1所述的基于交叉注意力的多尺度特征的轴承故障诊断方法，其特征是，所述故障分类包括轴承的内圈故障和外圈故障。
8.基于交叉注意力的多尺度特征的轴承故障诊断系统，其特征是，包括：
9.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行上述权利要求1-7任一所述方法的步骤。
技术总结本发明提出了基于交叉注意力的多尺度特征的轴承故障诊断方法及系统，包括：获取轴承上的多种类型的传感器数据，将每种类型的一维传感器数据分割成设定大小的数据段并转换成二维灰度图像数据；将预处理后的多种类型的传感器的二维灰度图像数据分别输入至MMCTN模型的各个基于交叉注意力的多尺度特征提取模块；每个基于交叉注意力的多尺度特征提取模块对所接收的该类型传感器的二维灰度图像数据按不同尺度进行特征提取，并利用交叉注意力机制进行不同尺度间特征融合，获得特征向量；将提取的特征向量在特征层进行元素级细粒度特征融合操作，以获得多源信号的融合特征；基于获得多源信号的融合特征进行故障分类，输出故障类别。
技术研发人员：李沂滨,张震,韩金哲,宋艳,王代超,高辉
受保护的技术使用者：山东大学
技术研发日：技术公布日：2024/5/29
