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：

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，特別是對軸承的故障診斷。軸承對旋轉(zhuǎn)軸提供支持力，并減少摩擦。因此，對軸承進行及時、有效的故障診斷對保障工業(yè)系統(tǒng)的可靠性是至關重要的。但是，由于軸承容易出現(xiàn)各種故障，一旦出現(xiàn)故障，會嚴重破壞正常的工業(yè)生產(chǎn)活動。因此，針對軸承故障準確檢測和診斷對于預測性維護、減少停機時間和降低維護成本至關重要。

2、由于深度學習技術能夠準確地從大量標注數(shù)據(jù)中學習復雜模式，因此在智能故障診斷中得到了迅速的發(fā)展。盡管有一些深度學習的方法取得了成功，但在實際環(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)，從而導致域偏移問題。域偏移是指訓練數(shù)據(jù)(源域)與測試數(shù)據(jù)(目標域)存在統(tǒng)計屬性的差異。在源域上訓練的模型應用于現(xiàn)實世界中的分布外數(shù)據(jù)時，會導致深度學習模型性能的下降。

3、為了解決訓練和測試數(shù)據(jù)之間的域偏移問題，像領域適應（domain?adaptation,da）和領域泛化（domain?generalization,?dg）這樣的領域遷移技術已經(jīng)被開發(fā)出來用于智能故障診斷。故障診斷中的?da?方法使用最大均值差異（maximum?mean?discrepancy,mmd）和對抗學習等策略來對源域和目標域的數(shù)據(jù)分布進行對齊。這些方法通過學習在各個領域中都不變的特征，以提高已知源域的故障診斷性能，并有效地適應于目標任務。然而，da?方法在實際部署中往往面臨挑戰(zhàn)。例如，域適應方法在泛化到他們訓練外的其他目標域時，其有效性通常會有一定下降。

4、領域泛化是另外一種遷移學習方法。通過利用多個有標簽的源域數(shù)據(jù)協(xié)同構建出一個高魯棒性的模型，而無需目標域數(shù)據(jù)的參與?；陬I域泛化的故障診斷方法的主要目標是識別并提取不同源域之間一致的、域無關的特征。然而，盡管領域泛化方法有著諸多優(yōu)點，但其在故障診斷領域依然面臨著一些挑戰(zhàn)。例如，領域泛化方法需要從多個源域收集不同的數(shù)據(jù)樣本參與訓練，以確保訓練得到的模型的魯棒性。然而，由于故障很少發(fā)生，在實際的工業(yè)應用中，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）方法被提出并應用于故障診斷領域。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)部分布關系。

技術實現(xiàn)思路

1、為克服上述現(xiàn)有技術的不足，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)的特征對齊程度分配注意力權重，同時利用協(xié)方差損失保證加權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的目標域。

2、為實現(xiàn)上述目的，本發(fā)明的一個或多個實施例提供了如下技術方案：

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卷積特征進行加權，得到加權卷積特征；

7、將加權卷積特征輸入至分類器中進行分類，完成對軸承的故障診斷。

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卷積特征進行加權，得到加權卷積特征；

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

13、以上一個或多個技術方案存在以下有益效果：

14、針對滾動軸承因運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卷積特征進行加權，并根據(jù)這些函數(shù)的特征對齊程度分配注意力權重，此過程確保更符合特定高斯分布的特征對故障分類的影響更大。同時，本發(fā)明利用協(xié)方差損失保證加權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的目標域。在公開滾動軸承數(shù)據(jù)集開展了廣泛實驗，實驗結果表明，本發(fā)明所提出的方法具有更高的性能和魯棒性，在真實世界的工業(yè)應用中具有極大的潛力。

15、本發(fā)明附加方面的優(yōu)點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，或通過本發(fā)明的實踐了解到。

技術特征：

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i和特征提取網(wǎng)絡ii提取的卷積特征，具體包括：

4.如權利要求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卷積特征進行加權，得到加權卷積特征，具體包括：

7.如權利要求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：

技術總結
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領域。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卷積特征進行加權，得到加權卷積特征；將加權卷積特征輸入至分類器中進行分類。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)的特征對齊程度分配注意力權重，同時利用協(xié)方差損失保證加權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的目標域。

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