一种基于LSGANs-VisionTransformer的齿轮故障诊断方法、电子设备及存储介质技术

本发明专利技术提供一种基于LSGANs

【技术实现步骤摘要】
一种基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法、电子设备及存储介质


[0001]本专利技术涉及旋转机械智能故障诊断
，尤其涉及一种基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法、电子设备及存储介质。

技术介绍

[0002]齿轮作为旋转机械中的关键部件，其一直工作在恶劣且复杂的结构环境下，随着长期运行易发生断齿、磨损、裂纹和点蚀等故障，故障如果不能及时被发现并解决，会造成严重的人员和财产损失，所以对齿轮进行有效地故障诊断是一项至关重要的任务。
[0003]目前，深度学习网络被广泛应用在故障诊断领域，在故障样本充足的情况下具有良好的诊断性能。然而实际工程中，故障样本存在不充足、以及严重失衡的状态，这给故障诊断带来一定的难度，导致诊断效率低且准确率不高。
[0004]此外，深度网络模型的选择也会影响诊断效率及诊断准确率，目前常见的用于故障诊断的深度网络模型凭借卷积层的卷积能力只获取了局部的故障信息，同时耗费了大量的计算资源，也会导致诊断效率低且准确率不高。
[0005]因此，急需一种新的齿轮故障诊断方法，能够高质量且有效地对少量且不平衡的故障样本进行扩充，同时能充分全面获取样本的故障信息，从而实现高效率且高准确率的故障诊断。

技术实现思路

[0006]本专利技术的目的是提供一种基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法、电子设备及存储介质，以解决现有技术中诊断效率低且准确率不高的技术问题。
[0007]为了实现上述目的，根据本专利技术的第一方面，提供了一种基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法，齿轮故障诊断方法包括：采集具有不同故障状态的齿轮以及健康状态的齿轮的振动信号，并进行归一化处理，得到多个一维齿轮序列信号；将多个一维序列信号重构为多个二维矩阵；构建基于LSGANs的数据扩充模型；利用多个二维矩阵对基于LSGANs的数据扩充模型进行训练，得到训练好的数据扩充模型；利用训练好的数据扩充模型对多个一维齿轮序列信号进行扩充，得到扩充后的多个一维齿轮序列信号；将扩充后的多个一维齿轮序列信号转换为多个二维时频特征图像；构建基于Vision Transformer的故障诊断模型；利用多个二维时频特征图像对基于Vision Transformer的故障诊断模型进行训练，得到训练好的故障诊断模型。
[0008]进一步地，齿轮故障诊断方法还包括：采集待检测齿轮的振动信号并进行归一化处理，得到待检测齿轮的一维齿轮序列信号；利用训练好的数据扩充模型对待检测齿轮的一维齿轮序列信号进行扩充，得到扩充后的待检测齿轮的一维齿轮序列信号；将扩充后的待检测齿轮的一维齿轮序列信号转换为待检测齿轮的二维时频特征图像；利用训练好的故障诊断模型对待检测齿轮的二维时频特征图像进行诊断，输出各不同状态齿轮的诊断准确
率。
[0009]进一步地，进行归一化处理的方法包括：采用以下归一化公式进行归一化处理：
[0010][0011]式(1)中，x'为归一化后的数据集，x为原始数据集，min(x)为原始数据集中的最小值，max(x)为原始数据集中的最大值；归一化处理至[
‑
1,1]。
[0012]进一步地，构建基于LSGANs的数据扩充模型包括：在LSGAN网络结构中添加Dropout层，得到基于LSGANs的数据扩充模型；对LSGANs的网络结构的参数进行设置，将学习率设置为0.002；将迭代次数设置为500；将批尺寸设置为32；将梯度和超参数β1设置为0.5；将平方梯度和超参数β2设置为0.999；将多个一维序列信号重构为多个二维矩阵包括：将一维序列信号按顺序依次重构为28
×
28的二维矩阵；利用多个二维矩阵对基于LSGANs的数据扩充模型进行训练，得到训练好的数据扩充模型包括：将多个二维矩阵按8：2比例划分为训练集和测试集输入到基于LSGANs的数据扩充模型中进行训练；判断训练后的数据扩充模型是否达到纳什平衡；当判断训练后的数据扩充模型达到纳什平衡时，完成训练；其中，判断训练后的数据扩充模型是否达到纳什平衡的方法包括：计算最小二乘损失函数值，当最小二乘损失函数值稳定并小于0.5时，判断训练后的数据扩充模型达到纳什平衡；
[0013]采用以下最小二乘损失函数公式计算最小二乘损失函数值：
[0014][0015][0016]式(2)和式(3)中，G表示生成网络，D表示判别网络，x表示真实样本，p
x
表示真实采样的概率分布，z表示输入到G网络的随机噪声；p
z
表示随机噪声的概率分布，G(z)表示生成的样本，D(x)表示确定真实样本是否为真的概率，D(G(z))表示确定生成样本是否为假的概率；a、b分别是生成样本和真实样本的标签，c是G希望D相信生成样本的值，b＝c＝1,a＝
‑
1。
[0017]进一步地，将扩充后的多个一维齿轮序列信号转换为多个二维时频特征图像的方法包括：基于小波变换将扩充后的多个一维齿轮序列信号转换为多个二维时频特征图像；二维时频特征图像集时域特征与频域特征于一体；小波变换中的小波基函数选用带宽参数和小波中心频率参数均为3、大小序列长度为256的复数小波cmor3
‑
3。
[0018]进一步地，构建基于Vision Transformer的故障诊断模型包括：对Vision Transformer的网络结构的参数进行设置，将图片切片大小设置为16
×
16；层数设置为12；通过Embedding层后每个向量的长度设置为768；第一个全连接的节点个数设置为3072；多头个数设置为12；批尺寸大小设置为126；学习率设置为0.001；迭代次数设置为100；利用多个二维时频特征图像对基于Vision Transformer的故障诊断模型进行训练，得到训练好的故障诊断模型包括：将多个二维时频特征图像按7：2：1比例划分为训练集、验证集和测试集输入到故障诊断模型中进行训练；判断训练后的故障诊断模型是否收敛；当准确率和损失值达到稳定时，完成训练。
[0019]进一步地，齿轮故障诊断方法还包括：根据一维齿轮序列信号绘制各故障状态的齿轮和健康状态的齿轮的时域波形和频域波形；根据时域波形和频域波形对齿轮的状态进
行初步分析，确定时域波形和频域波形与齿轮状态的对应关系；根据待检测齿轮的一维齿轮序列信号绘制待检测齿轮的时域波形和频域波形；根据对应关系初步判断待检测齿轮的状态。
[0020]进一步地，齿轮故障诊断方法还包括：根据齿轮实际转速、信号采样频率计算最佳取样点数；可视化LSGANs生成样本的质量，对比生成样本与原始样本TF特征图像，验证LSGANs是否具有扩充不平衡数据的能力；将不同数据扩充模型下的统计指标对比，验证LSGANs在数据扩充方面的优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法，其特征在于，所述齿轮故障诊断方法包括：采集具有不同故障状态的齿轮以及健康状态的齿轮的振动信号，并进行归一化处理，得到多个一维齿轮序列信号；将所述多个一维序列信号重构为多个二维矩阵；构建基于LSGANs的数据扩充模型；利用所述多个二维矩阵对所述基于LSGANs的数据扩充模型进行训练，得到训练好的数据扩充模型；利用所述训练好的数据扩充模型对所述多个一维齿轮序列信号进行扩充，得到扩充后的多个一维齿轮序列信号；将所述扩充后的多个一维齿轮序列信号转换为多个二维时频特征图像；构建基于Vision Transformer的故障诊断模型；利用所述多个二维时频特征图像对所述基于Vision Transformer的故障诊断模型进行训练，得到训练好的故障诊断模型。2.根据权利要求1所述的基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法，其特征在于，所述齿轮故障诊断方法还包括：采集待检测齿轮的振动信号并进行归一化处理，得到待检测齿轮的一维齿轮序列信号；利用所述训练好的所述数据扩充模型对所述待检测齿轮的一维齿轮序列信号进行扩充，得到扩充后的待检测齿轮的一维齿轮序列信号；将所述扩充后的待检测齿轮的一维齿轮序列信号转换为待检测齿轮的二维时频特征图像；利用所述训练好的故障诊断模型对所述待检测齿轮的二维时频特征图像进行诊断，输出各不同状态齿轮的诊断准确率。3.根据权利要求2所述的基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法，其特征在于，所述进行归一化处理的方法包括：采用以下归一化公式进行归一化处理：式(1)中，x'为归一化后的数据集，x为原始数据集，min(x)为原始数据集中的最小值，max(x)为原始数据集中的最大值；归一化处理至[
‑
1,1]。4.根据权利要求1所述的基于LSGANs
‑
Vision Transformer的齿轮故障诊断方法，其特征在于，所述构建基于LSGANs的数据扩充模型包括：在LSGAN网络结构中添加Dropout层，得到基于LSGANs的数据扩充模型；对LSGANs的网络结构的参数进行设置，将学习率设置为0.002；将迭代次数设置为500；将批尺寸设置为32；将梯度和超参数β1设置为0.5；将平方梯度和超参数β2设置为0.999；将所述多个一维序列信号重构为多个二维矩阵包括：将所述一维序列信号按顺序依次
重构为28
×
28的二维矩阵；所述利用所述多个二维矩阵对所述基于LSGANs的数据扩充模型进行训练，得到训练好的数据扩充模型包括：将多个所述二维矩阵按8：2比例划分为训练集和测试集输入到基于LSGANs的数据扩充模型中进行训练；判断训练后的数据扩充模型是否达到纳什平衡；当判断训练后的数据扩充模型达到纳什平衡时，完成训练；其中，判断训练后的数据扩充模型是否达到纳什平衡的方法包括：计算最小二乘损失函数值，当所述最小二乘损失函数值稳定并小于0.5时，判断训练后的数据扩充模型达到纳什平衡；采用以下最小二乘损失函数公式计算最小二乘损失函数值：采用以下最小二乘损失函数公式计算最小二乘损失函数值：式(2)和式(3)中，G表示生成网络，D表示判别网络，x表示真实样本，p
x
表示真实采样的概率分布，z表示输入到G网络的随机噪声；p
z
表示随机...

【专利技术属性】
技术研发人员：刘杰，杨娜，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：