基于时频域表达的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于时频域表达的滚动轴承故障诊断方法，涉及机械设备中的故障诊断技术领域，解决了滚动轴承故障诊断准确率不高的技术问题，其技术方案要点是将采集的多通道振动加速度信号处理为时频域表达特征，然后构建时频Transformer模型并训练该时频Transformer模型以提取故障相关特征和实现故障分类，最后基于训练完成的时频Transformer模型诊断测试样本故障。该方法的核心在于时频Transformer模型的构建和训练，其基于自注意力的模型架构能够从时频域表达特征输入中提取丰富的故障相关信息，充分利用数据内在的时序相关性和频谱特性，从而实现更加准确的故障分类。分类。分类。

【技术实现步骤摘要】
基于时频域表达的滚动轴承故障诊断方法


[0001]本申请涉及机械设备中的故障诊断
，尤其涉及一种基于时频域表达的滚动轴承故障诊断方法。

技术介绍

[0002]随着科学技术的快速发展和进步，以及现代工业的发展，机械设备在日常工作中几乎适用于所有应用，有时会使这些机器在不利的条件下工作，狡辩负载过大导致的机电设备故障将带来巨额的维护费用、生产水平的下降、严重的金钱损失以及潜在的人员伤亡风险。
[0003]滚动轴承，俗称轴承，是机械中的核心易损部件，其健康状况，即在不同载荷下运行时不同部位的裂纹或故障，直接影响其性能和效率、稳定性、和机器的寿命。滚动轴承由四个部件组成：内圈、外圈、球和保持架。大量关于旋转设备故障可能性的研究表明，轴承故障是最常见的故障类别。因此，滚动轴承的故障检测和诊断已成为开发和工程研究的重要组成部分。
[0004]故障检测方法的性能不仅取决于采集到的振动信号的质量，还取决于所应用的信号处理和特征提取技术的有效性。为了检测和诊断旋转机械尤其是滚动轴承中的故障，已经提出并实施了许多信号处理方法和基于机器学习的特征提取方法。深度学习作为一种表示学习技术，通过多层结构进行特征变换和特征学习，从而挖掘出隐藏在海量数据背后的监督信息，学习更加高度抽象的特征表示，并建立数据与模式之间的映射关系。深度学习技术比传统机器学习能提供更好的效率和准确性，因为深度学习技术倾向于端到端地解决问题，而传统机器学习技术首先需要将问题陈述分解为不同的部分，并最终将它们的结果结合起来。近年来，多种深度学习技术得到了广泛的关注并应用于机械故障诊断领域，但这些深度学习技术并没有充分利用数据内在的时序相关性和频谱特性，导致对滚动轴承的故障诊断不够准确。

技术实现思路

[0005]本申请提供了一种基于时频域表达的滚动轴承故障诊断方法，其技术目的是充分利用数据内在的时序相关性和频谱特性，从而对滚动轴承故障进行准确诊断。
[0006]本申请的上述技术目的是通过以下技术方案得以实现的：
[0007]一种基于时频域表达的滚动轴承故障诊断方法，包括：
[0008]S1：采集滚动轴承的多通道振动加速度信号，将所述振动加速度信号转化为时频域表达特征；
[0009]S2：将所述时频域表达特征输入到第一时频Transformer模型进行训练，得到第二时频Transformer模型；
[0010]S3：将待测试样本输入到所述第二时频Transformer模型进行故障诊断；
[0011]其中，所述第一时频Transformer模型包括分词器、编码器和分类器，所述分词器
对输入的所述时频域表达特征进行处理，具体处理步骤包括：
[0012]S21：将所述时频域表达特征变形为其中，N
t
和N
f
分别表示时间宽度和频率宽度；C表示传感器通道数；R表示实数；N
t
×
N
f
×
C表示三维的张量；N
t
×
(N
f
·
C)表示二维矩阵，该二维矩阵的维度为N
t
和N
f
·
C；
[0013]S22：沿时间方向对X
′
进行切割得到长度为N
t
的切片序列其中，
[0014]S23：对切片序列x
p
进行一个可学习的线性变换W
t
，得到嵌入维度为d
model
的展平切片序列x
t
；
[0015]S24：在展平切片序列x
t
的前端添加一个随机初始化的可训练类别令牌获得长度为N
t
+1的序列其中，表示具有维度为d
model
的实数向量；
[0016]S25：在序列x
t'
中添加可学习的位置编码获得输入嵌入序列将输入嵌入序列z0输入到所述编码器；其中，表示具有维度N
t
+1和d
model
的实数矩阵。
[0017]本申请的有益效果在于：本申请所述的基于时频域表达的滚动轴承故障诊断方法，首先是将采集的多通道振动加速度信号处理为时频域表达特征，然后构建时频Transformer模型并训练该时频Transformer模型以提取故障相关特征和实现故障分类，最后基于训练完成的时频Transformer模型诊断测试样本故障。
[0018]该方法的核心在于时频Transformer模型的构建和训练，其基于自注意力的模型架构能够从时频域表达特征输入中提取丰富的故障相关信息，充分利用数据内在的时序相关性和频谱特性，从而实现更加准确的故障分类。
[0019]此外，本申请简单易行，适用于滚动轴承的快速自适应的故障诊断。
附图说明
[0020]图1为本申请所述方法的流程图；
[0021]图2为时频Transformer模型的结构示意图；
[0022]图3为滚动轴承振动加速度信号及其时频域表达特征的示意图；
[0023]图4为时频Transformer模型训练过程的示意图；
[0024]图5为本申请所述方法故障诊断结果示意图；
[0025]图6为提取特征可视化示意图；
[0026]图7为注意力权重可视化示意图。
具体实施方式
[0027]下面将结合附图对本申请技术方案进行详细说明。
[0028]图1为本申请所述方法的流程图，如图1所示，该方法包括：步骤S1：采集滚动轴承的多通道振动加速度信号，将所述振动加速度信号转化为时频域表达特征。
[0029]步骤S2：将所述时频域表达特征输入到第一时频Transformer模型进行训练，得到第二时频Transformer模型。
[0030]具体地，所述第一时频Transformer模型包括分词器、编码器和分类器，所述分词器对输入的所述时频域表达特征进行处理，具体处理步骤包括：
[0031]S21：将所述时频域表达特征变形为其中，N
t
和N
f
分别表示时间宽度和频率宽度；C表示传感器通道数；R表示实数；N
t
×
N
f
×
C表示三维的张量；N
t
×
(N
f
·
C)表示二维矩阵，该二维矩阵的维度为N
t
和N
f
·
C；
[0032]S22：沿时间方向对X
′
进行切割得到长度为N
t
的切片序列其中，
[0033]S23：对切片序列x
p
进行一个可学习的线性变换W
t
，得到维度为d
model
的展平切片序列x
t
；
[0034]S24：在展平切片序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频域表达的滚动轴承故障诊断方法，其特征在于，包括：S1：采集滚动轴承的多通道振动加速度信号，将所述振动加速度信号转化为时频域表达特征；S2：将所述时频域表达特征输入到第一时频Transformer模型进行训练，得到第二时频Transformer模型；S3：将待测试样本输入到所述第二时频Transformer模型进行故障诊断；其中，所述第一时频Transformer模型包括分词器、编码器和分类器，所述分词器对输入的所述时频域表达特征进行处理，具体处理步骤包括：S21：将所述时频域表达特征变形为其中，N
t
和N
f
分别表示时间宽度和频率宽度；C表示传感器通道数；R表示实数；N
t
×
N
f
×
C表示三维的张量；N
t
×
(N
f
·
C)表示二维矩阵，该二维矩阵的维度为N
t
和N
f
·
C；S22：沿时间方向对X
′
进行切割得到长度为N
t
的切片序列其中，S23：对切片序列x
p
进行一个可学习的线性变换W
t
，得到嵌入维度为d
model
的展平切片序列x
t
；S24：在展平切片序列x
t
的前端添加一个随机初始化的可训练类别令牌获得长度为N
t
+1的序列其中，表示具有维度为d
model
的实数向量；S25：在序列x
t'
中添加可学习的位置编码获得输入嵌入序列将输入嵌入序列z0输入到所述编码器；其中，表示具有维度N
t
+1和d
model
的实数矩阵。2.如权利要求1所述的故障诊断方法，其特征在于，所述编码器从所述输入嵌入序列z0提取故障信息，所述编码器包括N个Transformer块，每个所述Tra...

【专利技术属性】
技术研发人员：贾民平，丁逸飞，曹昱栋，黄鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：