一种二叉树滤波器Transformer模型及其用于轴承故障诊断的方法技术

本发明专利技术提供了一种二叉树滤波器Transformer模型及其轴承故障诊断应用，其中对Transformer模型中的分词器部分，通过引入二叉树滤波器进行改进，使得改进后的Transformer模型能够提取振动信号，进而使用本发明专利技术二叉树滤波器Transformer模型进行轴承故障检测时，对于输入的振动信号，本发明专利技术能够有效提取出多个频带，并按照频率从小到大排序，从而对不同频带下的信息有效表征，最终取得更好衡量故障信息的有益效果。此外，相比传统的卷积神经网络和循环神经网络，Transformer模型能够很好地给予不同频带的权重从而得到更精准的识别率。重从而得到更精准的识别率。重从而得到更精准的识别率。

【技术实现步骤摘要】
一种二叉树滤波器Transformer模型及其用于轴承故障诊断的方法


[0001]本专利技术属于深度学习
以及机械故障诊断
，具体涉及一种二叉树滤波器Transformer模型及其用于轴承故障诊断的方法。

技术介绍

[0002]滚动轴承作为旋转机械最广泛使用的零部件之一，常常在高速、高负载条件下运行，一旦发生故障，便会带来难以预计的灾难。对轴承及时进行故障诊断、制定合适的维修策略，从而有效减小无效开支并提高维修效率，是轴承养护工作的至关重点。因此，如何对滚动轴承进行有效的故障诊断，具有重要的现实意义。
[0003]滚动轴承的故障类型及其严重程度，会反映在其振动信号上；因而目前已有一些研究工作利用振动信号来进行故障诊断，以此识别出轴承(主要是滚子、内圈和外圈)的故障状态。但随着机械设备的复杂程度日益增加，以及振动信号的非平稳性、非线性的特点，导致从振动信号中提取出具有代表性的关键特征信息变得较为困难。
[0004]随着机器深度学习技术的发展，利用深度学习模型提取特征信息成为当下一种较为有效的手段。而对于基于振动信号的故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二叉树滤波器Transformer模型，其特征在于：包括分词器、编码器和分类器，其中通过分词器提取振动信号，得到序列z1，之后序列z1依次经由编码器和分类器处理得到输出结果；所述分词器中设有一个二叉树滤波器组：其中h(n)为标准低通滤波器，截止频率j是虚数单位，h
L
(n)的频带范围是[0，1/4F
s
]，h
H
(n)的频带范围是[1/4F
s
，1/2F
s
]，F
s
为采样频率；对于输入的信号x(n)，所述分词器包括如下处理步骤：S1，利用所述二叉树滤波器组将信号x(n)分解出k层，其中k为log2(n)的取整；S2，对第k层的所有子信号取实部，之后计算均方根S3，根据获取片段信息S和位置信息K，并求出序列z1：：E
A
＝embed(S，W
S
)E
K
＝embed(K，W
P
)其中d
model
为嵌入维数。2.根据权利要求1所述的二叉树滤波器Transformer模型，其特征在于：所述编码器包括N个Transformer块，每一个Transformer块中含有两个子模块，分别是多头自注意力子模块和前向网络子模块，对于序列z有：其中，序列z
l
表示为第l层Transformer块的输入，相应的第1层的输入即为序列z1，Attention(
·
)表示多头自注意力子模块，z
′
l
为多头自注意力子模块的输出，同时也为FFn(
·
)的输入，FFn(
·
)表示前向网络子模块，同时z
l+1
作为第l层前向网络子模块的输出，也为第l+1层多头自注意力模块的输入，layernorm为取残差并归一化。3.根据权利要求2所述的二叉树滤波器Transformer模型，其特征在于：所述多头自注意力子模块具体由查询矩阵Q
s

【专利技术属性】
技术研发人员：樊薇，潘立人，焦之远，许桢英，宋向金，袁野，
申请(专利权)人：江苏大学，
类型：发明
国别省市：