低循环制造技术

本发明专利技术的一种低循环

【技术实现步骤摘要】
低循环Vision Transformer的滚动轴承故障特征智能辨识方法及设备


[0001]本专利技术涉及电机
、
车辆等滚动轴承故障诊断领域，具体涉及一种低循环
VisionTransformer
的滚动轴承故障特征智能辨识方法及设备
。

技术介绍

[0002]在电机当中，滚动轴承作为关键部位支撑着电机转子进行旋转
。
研究表明，电机损坏事例中
40
％是由滚动轴承失效引起的
。
滚动轴承工作环境较为复杂，极易受到力
、
温度
、
振动等非线性
、
非温度因素的影响，从而产生磨损
、
变形
、
裂纹
、
断裂等损伤，进而严重影响电机系统的运行
。
[0003]针对滚动轴承故障诊断问题，国内外学者进行了大量的研究
。
但由于滚动轴承的故障发生只在一瞬间，故障数据的振动信号采集困难，数据量有限
。
在采样深度学习的方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种低循环
Vision Transformer
的滚动轴承故障特征智能辨识方法，其特征在于，包括以下步骤，
S100
：对基于加速度传感器获取的滚动轴承振动信号，设计自适应窗函数进行截取得到完整振动周期样本信号；
S200
：对自适应窗函数截取后的振动信号进行完全集合经验模式分解得到从高频到低频的固有模态分量，并进行信号重构；
S300
：对重构后的振动信号进行等间距截取并进行快速傅里叶变换，构建彩色二维码；
S400
：将彩色二维码输入构建好的低循环
Vision Transformer
模型进行故障诊断
。2.
根据权利要求1所述的低循环
Vision Transformer
的滚动轴承故障特征智能辨识方法，其特征在于：所述
S100
：对基于加速度传感器获取的滚动轴承振动信号，设计自适应窗函数进行截取得到完整振动周期样本信号，具体包括：
S101
：将基于加速度传感器获取的滚动轴承振动信号
x(t)
，以序列的形式表示，即振动信号序列
x
a
(n)
，单位为毫米，
n
＝0，1，2…
为采样量，对其设计自适应窗函数
w(n)
进行信号截取；
L
z
＝
(L
‑
(N2‑
N1+1))/M
ꢀꢀꢀꢀ
(2)
其中，
n
＝
t
×
f
，
w(n)
为自适应窗函数，
N1、N2分别为自适应窗函数起点和终点，截取第一个信号时，设置
N1＝
0、N2＝
32767
；
L
z
为自适应窗函数的滑动步长，
M
为由
x
a
(n)
截取后的振动信号序列的个数，设置
M
＝
200
，
L
为
x
a
(n)
的序列长度；则截取后的振动信号序列集为
x
b
(m)
＝
[x
D1
(m)
，
x
b2
(m)
，
…
，
x
bi
(m)
，
…
，
x
bM
(m)]
，
m
＝0，1，2…
，
32767
为截取后的每个振动信号序列的采样量，
x
bi
(m)
表示由
x
a
(n)
截取到的第
i
个振动信号序列；单位为毫米
。3.
根据权利要求2所述的低循环
Vision Transformer
的滚动轴承故障特征智能辨识方法，其特征在于：所述
S200
：对自适应窗函数截取后的振动信号进行完全集合经验模式分解得到从高频到低频的固有模态分量，并进行信号重构，具体包括，
S201
：对截取后的振动信号序列集为
x
b
(m)
内每一个序列分别进行
CEEMD
，即对
x
bi
(m)
进行
CEEMD
，并计算各
IMF
与
x
bi
(m)
的相关系数；的相关系数；的相关系数；其中，
c
ij
(m)
为
x
bi
(m)
进行
CEEMD
后的第
j
个
IMF
，单位为毫米，
ρ
ij
表示
x
bi
(m)
与的第
j
个
IMF
的相关系数，
μ
xi
和
σ
xi
为
x
bi
(m)
的均值和标准差，
μ
cj
和
σ
cj
为
c
ij
(n)
的均值和标准差，
N
a
＝
32767
为
x
bi
(m)
的数据长度，而
CEEMD
分解为一种分解方法；
S202
：由相关性系数集合
ρ
的每一行构成的曲线的第一个极大值点，及该行其之后的点
对应的
IMF
与剩余分量进行信号重构；与剩余分量进行信号重构；其中，
x
c
(m)
＝
[x
c1
(m)
，
x
c2
(m)
，
…
，
x
ci
(m)
，
…
，
x
cM
(m)]
为
x
b
(m)
重构后的振动信号序列集，
x
ci
(m)
表示由
x
bi
(m)
重构的振动信号序列，单位为毫米...

【专利技术属性】
技术研发人员：陈波，孙辉，杜娟，田梓宇，吴春晓，许志豪，汪鹏飞，李育玲，魏嘉乐，
申请(专利权)人：合肥其实科技有限公司，
类型：发明
国别省市：