基于可变形卷积和Transformer的滚动轴承故障诊断方法技术

本发明专利技术提供了一种基于可变形卷积和Transformer的滚动轴承故障诊断方法，其包括：采集滚动轴承的振动信号，获取小波时频图像；基于小波时频图像获得源域样本和目标域样本，制作源域数据集、训练集、测试集和验证集；基于可变形卷积和改进Transformer，构建故障诊断模型，在故障诊断模型中添加激活函数；基于子域适应损失和分类损失，对所述故障诊断模型进行参数优化；训练获得待诊断故障诊断模型，基于待诊断故障诊断模型对验证集输出故障诊断结果。本发明专利技术通过使用可变形卷积和改进的Transformer网络并结合子域适应方法，提取监测数据中的域不变特征，采用局部最大均值差异代替域对抗训练机制，使得滚动轴承的故障诊断更简单、高效与稳定，增强了模型的信息表示能力。力。力。

【技术实现步骤摘要】
基于可变形卷积和Transformer的滚动轴承故障诊断方法


[0001]本专利技术属于机械设备状态监测和故障
，特别是一种基于可变形卷积和Transformer的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承被广泛应用于汽车、飞机、风电机组等各种现代工业机械之中，是很多现代机械中必不可少的关键零件。但是由于滚动轴承所处的外部环境复杂，导致其故障原因、故障模式及故障特征多样，现有的滚动轴承故障诊断方法还难以满足实际需要。随着大数据技术的快速发展，以卷积神经网络为代表的深度学习技术在滚动轴承故障诊断领域的应用受到广泛重视。这种方法首先对原始振动信号进行特征提取，然后再利用卷积神经网络的分类能力进行故障诊断。目前，许多基于深度学习的故障诊断方法已经得到了研究，并取得了良好的诊断效果，准确率较高。
[0003]然而在实际工业应用中，虽然设备在长期运行过程中积累了大量的监测数据，但只有少数健康状况已知的监测数据可用于训练故障诊断模型，并且用于训练的监测数据大多是在正常条件下采集到的，在故障条件下获得的监测数据较少，导致监测数据的信息重复性较高，缺乏典型的故障信息。另外，大多数用于训练故障诊断模型的监测数据需要标记健康状态，为节省标注数据需要的大量人力、物力，监测数据的标记信息往往是缺失的。迁移学习针对上述问题提供了可行的解决方案，但现有的滚动轴承故障诊断方法仍有三个关键问题需要解决：其一为轴承具有时变速度的特性，当面临多种工况时，现有方法在某些工况下的性能可能会严重下降；其二为现有方法主要基于全局域移位和域对抗学习机制，全局域移位对齐全局源域和目标域分布，忽略了两个域内子域间的关系，而域对抗学习机制通常需要三个网络，结构复杂；其三大多数基于迁移学习的方法主要使用卷积神经网络作为诊断模型，但卷积神经网络缺乏针对性，无法捕捉目标间的关系，且卷积核的局部感受野必须依靠堆叠多层卷积才能获得全局信息。因此，为解决上述问题，借助可变形卷积在基于局部信息的特征提取方面的显著优势及视觉Transformer在表示基于全局信息的复杂关系方面的优异性能，寻求一种基于可变形卷积和Transformer的滚动轴承故障诊断方法，以训练出能适应多种工况场景的故障诊断模型是十分迫切且必要的。

技术实现思路

[0004]本专利技术针对上述现有技术中的缺陷，提出一种基于可变形卷积和Transformer的滚动轴承故障诊断方法。该方法包括采集滚动轴承的振动信号，获取小波时频图像；基于小波时频图像获得源域样本和目标域样本，制作源域数据集、训练集、测试集和验证集；基于可变形卷积和改进Transformer，构建故障诊断模型，在故障诊断模型中添加激活函数；基于子域适应损失和分类损失，对所述故障诊断模型进行参数优化；训练获得待诊断故障诊断模型，基于待诊断故障诊断模型对验证集输出故障诊断结果。本专利技术通过使用可变形卷积和改进的Transformer网络并结合子域适应方法，提取监测数据中的域不变特征，采用局
部最大均值差异代替域对抗训练机制，使得滚动轴承的故障诊断更简单、高效与稳定，增强了模型的信息表示能力。
[0005]本专利技术提供一种基于可变形卷积和Transformer的滚动轴承故障诊断方法，其包括以下步骤：
[0006]S1、采集滚动轴承的振动信号，获取小波时频图像；
[0007]S11、采集滚动轴承的振动信号，将所述振动信号划分为前后衔接的若干振动信号数据段；
[0008]S12、利用小波变换公式分别将每个所述振动信号数据段转换为小波时频图像；
[0009]S2、获得源域样本和目标域样本，制作源域数据集、训练集、测试集和验证集；
[0010]S3、基于可变形卷积和改进Transformer，构建故障诊断模型，所述故障诊断模型包括可变形卷积层、改进Transformer层、全连接层和子域适应模块；所述可变形卷积层利用可变形卷积提取符合故障特征的特征信息，将所述特征信息分块处理，并作为所述改进Transformer层的输入；所述改进transformer层的输出输入所述全连接层中，得到每张所述小波时频图像的预测概率向量；所述改进transformer层的输出输入所述子域适应模块中，得到所述源域样本和目标域样本的局部最大均值差异；
[0011]S4、在故障诊断模型中添加激活函数；
[0012]S5、基于子域适应损失和分类损失，对所述故障诊断模型进行参数优化；所述子域适应损失为：
[0013][0014]其中，表示基于所述局部最大均值差异的分布差异；X
s
,X
t
分别表示所述源域样本和目标域样本；分别表示第i个所述源域样本和第j个所述目标域样本的标签k；n
s,k
和n
t,k
分别表示所述源域样本和目标域样本中标签为k的样本数；K表示标签的个数；表示2范数，H表示再生核希尔伯特空间；
[0015]所述分类损失L为：
[0016][0017]其中，C表示故障类别数；p(x
i
)是样本x
i
的预测概率；q(x
i
)表示样本x
i
的真实分布；
[0018]S6、训练获得待诊断故障诊断模型：使用所述源域数据集和训练集对所述故障诊断模型进行训练，并使用所述测试集对所述故障诊断模型进行测试，得到所述测试集测试的故障诊断结果最优的故障诊断模型，并将其作为待诊断故障诊断模型；
[0019]S7、基于待诊断故障诊断模型对验证集输出故障诊断结果：将所述验证集作为所述待诊断故障诊断模型的输入，输出所述验证集对应的故障诊断结果。
[0020]进一步，所述步骤S12中所述小波变换公式为：
[0021][0022]其中，a表示尺度因子；τ表示平移量；WT
x
(a,τ)表示小波变换系数；x(t)表示采集到的振动信号；表示小波函数；t表示采集振动信号的时间；表示变换后的小波；所述小波基函数为Morlet小波，且中心频率和带宽均为3。
[0023]可优选的，所述步骤S2具体包括以下步骤：
[0024]S21、将所有所述小波时频图像作为样本，按照工况及设定的划分比例将所述样本划分为源域样本和目标域样本，并使用所述源域样本制作源域数据集；
[0025]S22、将所述目标域样本随机划分为训练样本、测试样本和验证样本，并分别制作训练集、测试集和验证集；
[0026]S23、对所述源域数据集、训练集、测试集和验证集分别进行归一化处理。
[0027]可优选的，所述步骤S4中所述激活函数f(x)的表达式为：
[0028]f(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀ
(4)
[0029]其中，max(0,x)表示取特征值x与0的最大值。
[0030]可优选的，所述步骤S1中滚动轴承的振动信号通过试验平台进行采集，所述试验平台包括电机、转矩传感器、功率计、电子控制设备和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可变形卷积和Transformer的滚动轴承故障诊断方法，其特征在于，其包括以下步骤：S1、采集滚动轴承的振动信号，获取小波时频图像；S11、采集滚动轴承的振动信号，将所述振动信号划分为前后衔接的若干振动信号数据段；S12、利用小波变换公式分别将每个所述振动信号数据段转换为小波时频图像；S2、获得源域样本和目标域样本，制作源域数据集、训练集、测试集和验证集；S3、基于可变形卷积和改进Transformer，构建故障诊断模型，所述故障诊断模型包括可变形卷积层、改进Transformer层、全连接层和子域适应模块；所述可变形卷积层利用可变形卷积提取符合故障特征的特征信息，将所述特征信息分块处理，并作为所述改进Transformer层的输入；所述改进transformer层的输出输入所述全连接层中，得到每张所述小波时频图像的预测概率向量；所述改进transformer层的输出输入所述子域适应模块中，得到所述源域样本和目标域样本的局部最大均值差异；S4、在故障诊断模型中添加激活函数；S5、基于子域适应损失和分类损失，对所述故障诊断模型进行参数优化；所述子域适应损失为：其中，表示基于所述局部最大均值差异的分布差异；X
s
,X
t
分别表示所述源域样本和目标域样本；分别表示第i个所述源域样本和第j个所述目标域样本的标签k；n
s,k
和n
t,k
分别表示所述源域样本和目标域样本中标签为k的样本数；K表示标签的个数；表示2范数，H表示再生核希尔伯特空间；所述分类损失L为：其中，C表示故障类别数；p(x
i
)是样本x
i
的预测概率；q(x
i
)表示样本x
i
的真实分布；S6、训练获得待诊断故障诊断模型：使用所述源域数据集和训练集对所述故障诊断模型进行训练，并使用所述测试集对所述故障诊断模型进行测试，得到所述测试集测试的故障诊断结果最优的故障诊断模型，并将其作为待诊断故障诊断模型；S...

【专利技术属性】
技术研发人员：梁朋飞，于卓泽，田嘉野，帅瀚钦，陶睿，
申请(专利权)人：燕山大学，
类型：发明
国别省市：