一种滚动轴承故障诊断方法及系统

1.本发明属于故障诊断技术领域，尤其涉及一种滚动轴承故障诊断方法及系统。


背景技术：

2.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。
3.滚动轴承是一种常见的机械部件，在工业生产中应用广泛；在实际生产中，单个滚动轴承的故障可能导致整条运输带的停滞，后期需要花费大量的人力物力进行故障排查与检修，因此使用一种可靠的故障诊断方法来实现对自动运输设备的预测性维护可以降低企业成本，提高工作效率，有极高的研究价值。
4.传统的故障诊断依赖专家经验和准确的数学模型，在面对多特征的复杂故障数据时，分类效果较差，并且不具备自适应性；与传统的数学模型方法相比，深度学习模型侧重于学习历史和经验数据，可以从振动故障数据中挖掘出更深入的特征，并获得更准确的预测结果；深度学习模型在故障诊断方面显示出良好的前景，对研究人员的专业教育背景没有要求，更适合数据驱动的研究。
5.cnn有良好的特征提取能力，可以在不需要专家知识的情况下捕获敏感的故障特征，因此在各种故障诊断方法中越来越受欢迎；lstm是在具有长时记忆功能的递归神经网络基础上改进而来的一种时间循环神经网络，因为其优异的对时序信号的处理能力，并且能根据历史信息预测发展趋势，被广泛地应用在对时间序列的处理。
6.上述的两种模型虽然都已被广泛的应用在故障诊断领域，但是单独使用这两种模型仍然存在局限性；由于滚动轴承振动信号具有复杂的时间尺度特征，若只采用卷积核固定大小的单cnn网络，则获取的特征单一，且不容易获得其他时间尺度的特征；若只采用单lstm网络，则需要对原始振动信号进行高标准的预处理，构建足够复杂的诊断模型，才能获取理想的结果。
7.所以，现有的滚动轴承故障诊断方法需要先验的信号处理知识，采用手动提取故障特征的方法实现故障诊断，此类方法难以捕获关键故障特征，普适性差且效率低下。


技术实现要素：

8.为克服上述现有技术的不足，本发明提供了一种滚动轴承故障诊断方法及系统，基于多尺度cnn-lstm网络，学习不同时间尺度的特征，精确识别故障特征；考虑到分层注意力机制可以判别各特征的权重比，选取一些关键信息进行处理，提高训练模型的精度与效率。
9.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：
10.本发明第一方面提供了一种滚动轴承故障诊断方法。
11.一种滚动轴承故障诊断方法，包括：
12.根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号
中提取多尺度特征；
13.基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征；
14.通过长短期记忆网络提取加权特征的时序特征；
15.将时序特征输入到分类层，得到故障诊断结果。
16.进一步的，所述多尺度卷积神经网络，采用多个具有不同卷积核大小和池化窗口大小的一维卷积神经网络，分别提取不同尺度下的特征，得到多尺度特征。
17.进一步的，所述一维卷积神经网络，由依次连接的卷积层、dropout层、池化层和展平层组成。
18.进一步的，还包括：得到多尺度特征后，将不同尺度下的特征进行连接，得到多尺度特征矩阵。
19.进一步的，所述对多尺度特征进行自适应分配权重，具体为：
20.对多尺度特征进行tanh处理，得到自适应权重系数矩阵；
21.将多尺度特征与自适应权重系数矩阵中相应位置的权重系数相乘，得到加权特征。
22.进一步的，所述长短期记忆网络，有多个单元组成，不同单元之间的数据信息传输由三个阈值控制：输入门、遗忘门和输出门；
23.所述输入门，控制当前信息的输入，当信息通过输入单元时，与输入门相乘判断是否写入当前信息；
24.所述遗忘门，决定是否重置之前的信息，并与之前的记忆信息相乘，判断信息是否保留；
25.所述输出门，控制当前记忆信息的输出，与当前记忆信息相乘决定是否输出该信息。
26.进一步的，所述分类层包括全连接层和softmax函数；最终softmax函数将全连接层的输出转换为滚动轴承健康状态的概率分布，得到滚动轴承故障类型的标签。
27.本发明第二方面提供了一种滚动轴承故障诊断系统。
28.一种滚动轴承故障诊断系统，包括特征提取模块、特征加权模块、时序提取模块和故障分类模块：
29.特征提取模块，被配置为：根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号中提取多尺度特征；
30.特征加权模块，被配置为：基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征；
31.时序提取模块，被配置为：通过长短期记忆网络提取加权特征的时序特征；
32.故障分类模块，被配置为：将时序特征输入到分类层，得到故障诊断结果。
33.本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种滚动轴承故障诊断方法中的步骤。
34.本发明第四方面提供了电子设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种滚动轴承故障诊断方法中的步骤。
35.以上一个或多个技术方案存在以下有益效果：
36.本发明采用多尺度cnn网络从原始振动信号提取不同尺度的特征，通过分层注意力机制对特征信息自适应分配权重，以提取关键特征；之后通过lstm层进一步提取输入信号的时序特征，最终由全连接层的softmax函数实现故障分类。
37.本发明基于多尺度cnn-lstm网络，学习不同时间尺度的特征，精确识别故障特征；考虑到分层注意力机制可以判别各特征的权重比，选取一些关键信息进行处理，提高训练模型的精度与效率。
38.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。
附图说明
39.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
40.图1为第一个实施例的方法流程图。
41.图2为第一个实施例lstm网络的结构图。
42.图3为第一个实施例0hp负载轴承的原始振动加速度信号图。
43.图4为第一个实施例3hp负载轴承的原始振动加速度信号图。
44.图5为第一个实施例0hp负载和3hp负载时模型精度和损失函数的训练曲线图。
45.图6为第一个实施例0hp负载和3hp负载模型的故障分类混淆矩阵图。
46.图7为第二个实施例的系统结构图。
具体实施方式
47.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
48.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
49.实施例一
50.在一个或多个实施方式中，公开了一种滚动轴承故障诊断方法，通过从待诊断的振动信号中提取特征，在无需预处理的情况下检测滚柱轴承的健康状态，即从特征提取和故障分类两个大的步骤对滚动轴承故障进行诊断，而特征提取又分为多尺度特征提取、特征加权和时序特征提取三个步骤，所以，按照特征提取、特征加权、时序提取和故障分类的步骤对本实施例的方法进行说明。
51.一种滚动轴承故障诊断方法，如图1所示，包括如下步骤：
52.步骤s1：根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号中提取多尺度特征。
53.由于轴承故障震动信号的频率各不相同，为了更准确提取各频率的特征，多尺度卷积神经网络采用三个具有不同卷积核大小和池化窗口大小的一维卷积神经网络，将待诊
断的振动信号同时传输到三个卷积网络中，以提取不同尺度中的特征。
54.卷积网络1使用的卷积核设定为200*1，池化核设定为20*1；卷积网络2使用的卷积核设定为100*1，池化核设定为10*1；卷积网络3使用的卷积核设定为50*1，池化核设定为5*1；同时在三个卷积网络中使用dropout层(系数设置为0.5)以及flatten层来进一步优化模型的性能。dropout层可以随机丢弃一定比例的神经元，以避免模型过拟合；展平flatten层可以将多维的张量数据展平成一维向量，方便后续的全连接层进行处理。
55.卷积神经网络(convolutional neural network,cnn)是一种具有卷积计算和深层结构的前馈神经网络，广泛应用于图像处理和自然语言处理，由依次连接的卷积层、dropout层、池化层和展平层组成。
56.卷积层利用共享权重的滤波器从输入信号中提取特征，将上一层的局部信号映射到下一层；共享权值提供了显著的优势，大大减少了复杂非线性变换的计算负担；由于振动信号是一维时间序列，本实施例采用一维卷积，卷积运算定义为：
[0057][0058]
其中，k和b分别为第i层和第l层的权重和偏置，x为第l层的第j个局部输入。
[0059]
在卷积层后面连接dropout层，以避免过拟合，之后采用池化层来选择和过滤提取的特征；最大池化是最常见的池化操作，它选择最大的统计量来获得该区域的局部特征，减少参数的数量。
[0060]
池化后第i个通道的第(l+1)层的结果为:
[0061][0062]
其中，q表示第i个通道第l层的第t个神经元，w为池化核的宽度。
[0063]
在得到多尺度特征后，还需要将不同尺度下的特征输入至concatenate层，进行合并操作。concatenate层沿着最后一个维度(特征维度)将三个输出特征连接，从而得到合并的输出特征，该输出特征矩阵包含了所有三个卷积层提取的特征，确保模型能提取不同尺度的特征，提升分类效果。
[0064]
步骤s2：基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征。
[0065]
考虑到分层注意力机制可以判别各特征的权重比，本实施例增加分层注意力层对特征进行加权，选取一些关键特征进行处理，提高训练模型的精度与效率。
[0066]
分层注意力机制首先被应用在自然语言处理技术上，它能够对输入和输出的不同层级进行加权关注，以捕捉文本的丰富结构和语义信息；该技术通过在不同的层级上进行加权关注，例如单词、句子、段落等，使得模型能够更加准确地理解文本的语义和结构信息。
[0067]
本实施例设计了一个类似的分层注意网络，即在原有的cnn和lstm网络之间增加了一个分层注意力层，分层注意力层的具体操作为：
[0068]
(1)将多尺度卷积神经网络输出的多尺度特征进行复制为两份，一份用于获得自适应权重系数矩阵，另一份直接保留cnn学习的特征。
[0069]
(2)对多尺度特征进行tanh处理，得到自适应权重系数矩阵。
[0070]
将多尺度特征映射成一组权重向量，这些权重向量反映了特征图中每个特征的重要性。
[0071]
(3)将多尺度特征与自适应权重系数矩阵中相应位置的权重系数相乘(通过mu ltip ly层处理)，得到加权特征，与高权重系数相乘的为有效特征，与低权重系数相乘的为低效或无效特征；有效特征通常对分类结果有较大影响，而低效或无效特征对分类结果的影响较小，加权特征可以增强有效性特征，抑制低效或无效特征的重要性。
[0072]
分层注意力，用公式表示为：
[0073]
x
tan
＝tanh(y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0074]
x＝y
·
x
tan
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0075]
其中，y是三个尺度cnn网络的输出，即多尺度特征矩阵，tanh表示双曲切激活函数，将y通过双曲切激活函数tanh操作后，获得自适应权重系数矩阵x
tan
，乘以cnn网络输出的矩阵y，以获得加权特征x。
[0076]
分层注意力为cnn的每个输出向量分配不同的权重，使模型能够将注意力集中在关键特征上，并减少其他特征的作用，分层注意力机制的使用可以使cnn表达的结果在当前任务中更加合理。
[0077]
步骤s3：通过长短期记忆网络提取加权特征的时序特征。
[0078]
在多尺度卷积神经网络和分层注意力层之后，将加权特征发送到长短期记忆(lstm)网络中，以进一步学习提取特征的时序特性，得到时序特征。
[0079]
长短期记忆(lstm)是传统递归神经网络(rnn)的改进，它们都被用来处理序列信息，然而，在rnn的反向传播过程中存在梯度消失的现象，因此rnn无法有效地获得数据的长期依赖性；因此，为了解决长序列信息训练过程中的梯度消失和梯度爆炸的问题，提出了一种特殊的rnn(lstm)；lstm在较长序列上的表现优于普通rnn；其结构如图2所示。
[0080]
lstm网络在递归神经网络的基础上引入了状态值和“门”控制结构；为了选择性地过滤信息，隐藏层中不同单元之间的数据信息传输由三个阈值控制：输入门、遗忘门和输出门；遗忘门的作用是决定是否重置之前的信息，并与之前的记忆信息相乘，判断信息是否保留。输入门控制当前信息的输入，当信息通过输入单元时，与输入门相乘判断是否写入当前信息。输出门控制当前记忆信息的输出，与当前记忆信息相乘决定是否输出该信息。
[0081]
lstm的具体定义如下：
[0082]
首先进行信息遗忘处理，这部分是通过一个叫做遗忘门的s形单元来处理的，如公式(5)所示：
[0083]ft
＝σ(wf[h
t-1
,x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0084]
其中，h
t-1
和x
t
用于确定哪些信息要通过输入门的操作来更新。
[0085]
在此之后，lstm网络会通过输入门添加新的信息；h
t-1
和x
t
通过一个tanh层来获得新的候选单元位置信息更新过程如公式(6)(7)所示：
[0086]it
＝σ(wi[h
t-1
,x
t
]+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0087][0088]
更新单元位置信息c
t-1
到新的位置信息c
t
可以表示为：
[0089][0090]
输出门判断并决定最终单元的输出特性，如公式(7)(8)所示：
[0091]ot
＝σ(wo[h
t-1
,x
t
]+bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0092]ht
＝o
t
·
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0093]
在以上各式中，i
t
，f
t
，o
t
是输入门、遗忘门和输出门；σ是sigmoid激活函数；wi、wf、wo、wc分别对应不同门隐藏层神经元的权重系数，bi、bf、bo、bc分别对应不同门的偏差系数；c
t
分别是短期状态和长期状态；tanh是双曲切激活函数；x和h分别是当前输入和输出信息。
[0094]
步骤s4：将时序特征输入到分类层，得到故障诊断结果。
[0095]
分类层包括全连接层和softmax函数；全连接层，将每一个结点都与上一层的所有结点相连，用来把前面提取到的特征综合起来，也就是说，全连接层将输入的特征映射成故障分数，softmax函数将全连接层输出的故障分数转换为滚动轴承健康状态的概率分布，得到滚动轴承故障类型的标签，从而对滚动轴承的健康状态进行诊断。
[0096]
实验验证和结果分析
[0097]
本实施例的仿真实验环境为windows10，采用tensorflow2.1学习框架，计算机配置为intel(r)core(tm)i7-8700cpu，gpu为nvidia geforce gtx 1660，内存为16gb。
[0098]
数据集介绍
[0099]
本实施例的数据来自凯斯西储大学滚动轴承试验台，凯斯西储大学轴承数据中心提供的cwru轴承数据集广泛应用于轴承故障诊断研究，主要由电机、扭矩传感器、功率表和电子控制设备组成；电机设置为分别以1797、1772、1750和1730rpm的速度运行，每个速度对应0、1、2和3hp的负载，手动设置7、14、21和28mils的轴承磨损故障，振动信号的采样频率为12k和48k。
[0100]
本模型采用了采样频率为48k、轴承转速为1797rpm，轴承负载为0hp和3hp的驱动端信号；轴承状态包括正常状态、内滚道故障、外滚道故障和滚珠故障，磨损程度分别为正常(normal)、轻度(7mils)、中度(14mils)和重度(21mils)。它们具体可以分为10种轴承状态，即正常状态(n)、滚动体轻度故障(7_ba)、内圈轻度故障(7_ir)、外圈轻度故障(7_or)、滚动体中度故障(14_ba)、内圈中度故障(14_ir)、外圈中度故障(14_or)、滚动体重度故障(21_ba)、内圈重度故障(21_ir)、外圈重度故障(21_or)。
[0101]
为了更好地准备和评估方法，实验所用数据集中无异常数值，每个样本的数据都符合正常状态，无需额外预处理；一共487963条样本，训练集和测试集按照70％和30％进行划分，在0hp负载和3hp负载下10个轴承状态的原始振动信号如图3和图4所示。
[0102]
实验参数设置
[0103]
实验采用小批量训练方法，将批大小设置为100，训练次数为10次。将adam算法学习率设置为0.001；为了让模型的训练精度更准确，将每个数据集训练10次，并取平均值作为最终结果；本模型各层参数如表1所示。
[0104]
表1基于分层注意力机制的多尺度cnn-lstm网络各层参数
[0105][0106][0107]
实验结果分析
[0108]
本模型在0hp负载下模型训练的平均准确度达到99.96％，使用测试集验证的平均f1分数和平均召回率分别为99.82％和99.82％，在3hp负载下模型训练的平均准确率为99.91％，使用测试集验证的平均f1分数和平均召回率分别为99.69％和99.69％，0hp负载状态和3hp负载状态时模型的精度和损失函数的训练曲线如图5所示，0hp负载和3hp负载的模型故障分类混淆矩阵如图6所示。
[0109]
将实施例方法与cnn、cnn-lstn和cnn-attention-lstm方法进行分类效果比较的
结果如表2所示，评价指标为故障检测准确率、召回率和f1评分；由表2可知，本文所提出方法的平均准确率、平均f1分数、平均召回率均高于原有的cnn、cnn-lstn和cnn-attention-lstm方法，证明实施例方法有较好的故障分类能力，能够较好的适应多种工况环境。
[0110]
表2 4种方法故障诊断性能对比
[0111][0112]
基于以上的实验结果，本实施例提出了一种新的滚动轴承故障诊断方法，该方法不需要经过复杂的数据预处理，只需对原始振动信号添加故障标签便可直接输入至网络进行学习，改进了原有的cnn-lstm方法，将特征提取的cnn网络改为多尺度卷积神经网络，强化了特征提取能力，并增加了分层注意力机制层，为神经网络学习的每个样本的特征自适应地分配权重；这些改进提高了模型的分类性能，平均准确率达到99.94％，使用f1分数和召回率的评价指数也达到99.76％；基于分层注意力机制的多尺度cnn-lstm网络有训练时收敛速度快，识别精度高的优点，在电机轴承故障诊断领域具有巨大潜力。
[0113]
实施例二
[0114]
在一个或多个实施例中，公开了一种滚动轴承故障诊断系统，如图7所示，包括特征提取模块、特征加权模块、时序提取模块和故障分类模块：
[0115]
特征提取模块，被配置为：根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号中提取多尺度特征；
[0116]
特征加权模块，被配置为：基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征；
[0117]
时序提取模块，被配置为：通过长短期记忆网络提取加权特征的时序特征；
[0118]
故障分类模块，被配置为：将时序特征输入到分类层，得到故障诊断结果。
[0119]
实施例三
[0120]
本实施例的目的是提供计算机可读存储介质。
[0121]
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的一种滚动轴承故障诊断方法中的步骤。
[0122]
实施例四
[0123]
本实施例的目的是提供电子设备。
[0124]
电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例一所述的一种滚动轴承故障诊断方法中的步骤。
[0125]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种滚动轴承故障诊断方法，其特征在于，包括：根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号中提取多尺度特征；基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征；通过长短期记忆网络提取加权特征的时序特征；将时序特征输入到分类层，得到故障诊断结果。2.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述多尺度卷积神经网络，采用多个具有不同卷积核大小和池化窗口大小的一维卷积神经网络，分别提取不同尺度下的特征，得到多尺度特征。3.如权利要求2所述的一种滚动轴承故障诊断方法，其特征在于，所述一维卷积神经网络，由依次连接的卷积层、dropout层、池化层和展平层组成。4.如权利要求2所述的一种滚动轴承故障诊断方法，其特征在于，还包括：得到多尺度特征后，将不同尺度下的特征进行连接，得到多尺度特征矩阵。5.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述对多尺度特征进行自适应分配权重，具体为：对多尺度特征进行双曲切激活函数处理，得到自适应权重系数矩阵；将多尺度特征与自适应权重系数矩阵中相应位置的权重系数相乘，得到加权特征。6.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述长短期记忆网络，有多个单元组成，不同单元之间的数据信息传输由三个阈值控制：输入门、遗忘门和输出门；所述输入门，控制当前信息的输入，当信息通过输入单元时，与输入门相乘判断是否写入当前信息；所述遗忘门，决定是否重置之前的信息，并与之前的记忆信息相乘，判断信息是否保留；所述输出门，控制当前记忆信息的输出，与当前记忆信息相乘决定是否输出该信息。7.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述分类层包括全连接层和softmax函数；最终softmax函数将全连接层的输出转换为滚动轴承健康状态的概率分布，得到滚动轴承故障类型的标签。8.一种滚动轴承故障诊断系统，其特征在于，包括特征提取模块、特征加权模块、时序提取模块和故障分类模块：特征提取模块，被配置为：根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号中提取多尺度特征；特征加权模块，被配置为：基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征；时序提取模块，被配置为：通过长短期记忆网络提取加权特征的时序特征；故障分类模块，被配置为：将时序特征输入到分类层，得到故障诊断结果。9.一种电子设备，其特征是，包括：存储器，用于非暂时性存储计算机可读指令；以及处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。

技术总结
本发明提出了一种滚动轴承故障诊断方法及系统，涉及故障诊断技术领域，具体方案包括：根据振动信号的不同采样频率，利用多尺度卷积神经网络，从待诊断的振动信号中提取多尺度特征；基于分层注意力机制，对多尺度特征进行自适应分配权重，得到加权特征；通过长短期记忆网络提取加权特征的时序特征；将时序特征输入到分类层，得到故障诊断结果；本发明基于多尺度CNN-LSTM网络，学习不同时间尺度的特征，精确识别故障特征；考虑到分层注意力机制可以判别各特征的权重比，选取一些关键信息进行处理，提高训练模型的精度与效率。提高训练模型的精度与效率。提高训练模型的精度与效率。


技术研发人员：王艳艳 马旭睿 王泽丰
受保护的技术使用者：山东大学深圳研究院
技术研发日：2023.06.28
技术公布日：2023/10/5