本发明属于齿轮箱故障诊断，特别涉及一种基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法。
背景技术：
1、齿轮箱作为机械装备中的关键传动部件，占据着不可或缺的地位，在实际运转过程中，齿轮箱所在工作环境较为恶劣，工作条件复杂多变，由于环境等噪声的干扰，齿轮箱中旋转部件在早期产生的微弱故障容易被忽略，如果任其发展，将会影响设备运行，使设备失去工作能力，严重时还会造成人员伤亡等事故。因此，及时发现识别齿轮箱故障对提升设备运行可靠性、安全性具有重要意义。
2、随着技术方法的不断革新，国内外学者开展了基于深度学习的故障诊断方法，通过与深度神经网络有机结合，实现对故障数据的特征挖掘，摆脱对故障诊断专家经验的依赖，提高数据利用率，但传统cnn模型参数量较大、模型复杂程度高，且齿轮箱运行环境工况复杂，常伴有噪声的干扰，cnn对振动信号中的关键有效特征的提取能力需要进一步优化。
3、因此亟需一种基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，解决现有技术中采用传统cnn模型故障诊断效率低、对关键特征提取不充分等问题。
技术实现思路
1、本发明的目的是提供一种基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，包括以下步骤：
2、步骤s1：采集齿轮箱振动信号数据，利用连续小波变换将齿轮箱振动信号数据转换为小波时频图；
3、步骤s2：基于小波时频图构建样本数据集，将样本数据集划分为训练集和测试集；
4、步骤s3：构建含有通道注意力模块和空间注意力模块的高效混合注意力机制；
5、步骤s4：将高效混合注意力机制融入轻量级cnn故障诊断模型中，获得融合eha的轻量级cnn故障诊断模型；使用训练集对所述融合eha的轻量级cnn故障诊断模型进行训练；
6、步骤s5：使用测试集对所述融合eha的轻量级cnn故障诊断模型的可靠性进行验证，基于融合eha的轻量级cnn故障诊断模型预测各齿轮箱故障类型的发生概率，将发生概率最高的齿轮箱故障类型判断为齿轮箱故障类型，实现齿轮箱故障诊断。
7、所述步骤s1中利用连续小波变换将齿轮箱振动信号数据转换为小波时频图的步骤包括：
8、步骤s1-1：选择morlet小波作为连续小波变换所用到的小波基函数，morlet小波函数ψ(t)表示为：
9、
10、式中，ω0是一个常数，i是虚数；
11、步骤s1-2：将morlet小波函数ψ(t)与齿轮箱振动信号进行内积得到小波系数cwt(a,b)，小波系数cwt(a,b)表示为：
12、
13、式中，a是伸缩因子，b是平移因子，且满足条件a＞0，b∈r，ψ*是小波基函数的共轭复数，x(t)是齿轮箱时域信号；
14、步骤s1-3：将步骤s1-2中得到的小波系数cwt(a,b)绘制成小波时频图，小波时频图的横轴表示时间，小波时频图的纵轴表示频率。
15、所述步骤s2中的基于小波时频图构建样本数据集的步骤包括：
16、步骤s2-1：将步骤s1中获取的所有小波时频图的规格统一为长224像素，宽224像素，图像通道数为3；
17、步骤s2-2：根据齿轮箱故障类型对每张小波时频图设置故障类型标签；
18、所述齿轮箱故障类型包括：轴承故障类型和齿轮故障类型；
19、所述轴承故障类型包括：滚动体裂纹，内、外圈均出现裂纹，正常状态，内圈裂纹以及外圈裂纹；
20、所述齿轮故障类型包括：轮齿裂纹，缺齿，正常状态，根部裂纹以及齿面磨损；
21、所述训练集和测试集中包含小波时频图的数量比例为4:1。
22、所述步骤s3中构建含有通道注意力模块和空间注意力模块的高效混合注意力机制的步骤包括：
23、步骤s3-1：将特征图输入通道注意力模块中进行平均池化操作和最大池化操作，平均池化操作和最大池化操作表示为：
24、
25、式中，z1为全局平均池化的输出，z2为全局最大池化的输出，f是二维特征图集合，h是特征图的高度，w是特征图的宽度；
26、步骤s3-2：将全局平均池化的输出z1和全局最大池化的输出z2进行串联叠加得到向量z，将向量z输入至能够自动调整跨通道交互范围的一维卷积层中进行卷积运算，得到权重系数w，w表示为：
27、w＝hard-sigmoid(c1dk(z))
28、式中，c1dk(z)代表核尺寸为k一维卷积运算，hard-sigmoid代表激活函数；
29、设定1×1卷积层核尺寸k，k表示局部跨通道交互的覆盖范围，k为：
30、
31、式中，表示最近的奇数，c为通道数，γ和b为通道系数；
32、采用hard-sigmoid激活函数对一维卷积层的输出结果进行非线性处理，hard-sigmoid激活函数公式为：
33、
34、步骤s3-3：将权重系数与输入特征图相乘，获得经过通道注意力模块优化后的特征图表示为：
35、
36、式中，w为权重系数，f(i,j)为输入特征图；
37、步骤s3-4：将经过通道注意力模块优化后的特征图输入空间注意力模块中，提取其全局信息和局部特性，拼接输入至7×7的二维卷积层中得到新的权重系数并与相乘，获得经过eha优化后的特征图表示为：
38、
39、式中，hard-sigmoid为激活函数，f7×7为7×7的二维卷积层，avgpool为全局平均池化层，maxpool为全局最大池化层。
40、所述步骤s4中的获得融合eha的轻量级cnn故障诊断模型的步骤包括：
41、步骤s4-1：构建fused-mbconv模块，组成融合eha的轻量级cnn故障诊断模型的浅层部分；
42、步骤s4-2：将eha融入到mbconv模块中，构建eha-mbconv模块，组成融合eha的轻量级cnn故障诊断模型的深层部分；
43、步骤s4-3：基于fused-mbconv模块和eha-mbconv模块构建轻量级cnn故障诊断模型，获得融合eha的轻量级cnn故障诊断模型。
44、所述构建fused-mbconv模块的步骤包括：
45、将输入特征图输入3×3的卷积层，将特征由低维分布嵌入到高维空间，再经由switch激活函数进行非线性处理，并通过1×1卷积将扩展后的特征压缩为原维度并与输入特征图相加作为fused-mbconv模块的输出；
46、所述switch激活函数为：
47、
48、所述构建eha-mbconv模块的步骤包括：
49、将输入特征图输入1×1卷积进行升维操作，将特征由低维分布嵌入到高维空间，再通过3×3的深度卷积进一步提取特征，经由高效混合注意力机制校准各通道和空间权重，最后通过1×1卷积将扩展后的特征压缩为原维度并与输入特征图相加作为eha-mbconv模块的输出。
50、所述构建轻量级cnn故障诊断模型的步骤包括：
51、将样本数据集首先输入一个3×3卷积层进行特征提取，然后输入2个fused-mbconv模块并使用3×3的小卷积核提取信号的细节特征，再输入2个fused-mbconv模块将特征图的通道数提升至48，再将其输入至3个fused-mbconv模块将特征图的通道数提升至64，保留样本更多的特征信息，将其输出结果输入至4个eha-mbconv模块提取时频图更复杂的深层次特征，再输入至4个eha-mbconv模块将特征图的通道数提升至160，使模型提取到更复杂的特征信息，再输入一个1×1卷积层进行特征提取，然后输入平均池化层压缩特征，最后输入全连接层来输出各齿轮箱故障类型的发生概率。
52、在3×3卷积层和1×1卷积层操作后添加批标准化模块bn，避免梯度消失或溢出并加速收敛，批标准化模块bn的表达式为：
53、
54、式中，xi为第i个特征图的特征值，μ为特征图的均值，σ为特征图的方差，yi为bn层的输出，γi和βi为可学习参数。
55、所述步骤s4中使用训练集对所述融合eha的轻量级cnn故障诊断模型进行训练的步骤包括：
56、将步骤s2中训练集输入模型进行训练；设计迭代次数为50次，批大小为32，使用adam优化算法更新网络训练参数，应用交叉熵函数计算模型损失值；使用自动调整学习率策略，初始学习率设置为0.1，以测试集准确率为指标，当模型迭代次数超过3次而准确率没有任何变化时，采用学习率衰减策略，下降原学习率的0.01倍，实现学习率自动调整。
57、本发明的有益效果在于：
58、本发明公开一种基于轻量级cnn和高效混合注意力机制(efficient hybridattention，eha)的齿轮箱故障诊断方法，采用深度可分离卷积来降低模型参数量、提高故障诊断效率，设计高效混合注意力机制动态地调整特征图中不同通道或位置的权重，对重要信息赋予较高的权重，达到优化轻量级cnn识别能力的目的。为解决传统cnn模型故障诊断效率低、对关键特征提取不充分等问题，构建轻量级cnn使其在减少训练时间的同时提升网络的故障诊断准确率，设计一种能够强化故障样本通道和空间关键特征的高效混合注意力机制，并将其融入轻量级cnn中强化模型对振动信号的有效特征的提取，抑制无效特征干扰，进一步增强模型的泛化性和鲁棒性，具体有益效果如下：
59、1、采用连续小波变换将齿轮箱振动数据转换为时频图，能够抑制噪声干扰并且可以更加直观地分析信号的局部特征，便于后续模型对不同故障类型的准确诊断。
60、2、构建一种高性能的轻量级cnn模型，在模型深层次结构中引入深度可分离卷积，在减少模型训练时间的同时提升了cnn的故障诊断准确率。
61、3、设计一种高效混合注意力机制，能够根据通道数和通道系数自适应调整局部跨通道交互的覆盖范围，通过动态地调整特征图中不同通道或位置的权重使模型自适应地选择跟故障类型相关性更强的特征，增强模型的鲁棒性、泛化性和稳定性。
1.一种基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述步骤s1中利用连续小波变换将齿轮箱振动信号数据转换为小波时频图的步骤包括：
3.根据权利要求1所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述步骤s2中的基于小波时频图构建样本数据集的步骤包括：
4.根据权利要求1所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述步骤s3中构建含有通道注意力模块和空间注意力模块的高效混合注意力机制的步骤包括：
5.根据权利要求1所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述步骤s4中的获得融合eha的轻量级cnn故障诊断模型的步骤包括：
6.根据权利要求5所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述构建fused-mbconv模块的步骤包括：
7.根据权利要求5所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述构建eha-mbconv模块的步骤包括：
8.根据权利要求5所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述构建轻量级cnn故障诊断模型的步骤包括：
9.根据权利要求8所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，在3×3卷积层和1×1卷积层操作后添加批标准化模块bn，避免梯度消失或溢出并加速收敛，批标准化模块bn的表达式为：
10.根据权利要求1所述的基于轻量级cnn和高效混合注意力机制的齿轮箱故障诊断方法，其特征在于，所述步骤s4中使用训练集对所述融合eha的轻量级cnn故障诊断模型进行训练的步骤包括：
