【技术实现步骤摘要】
本专利技术涉及人工智能故障诊断领域，具体涉及一种基于无监督学习的旋转机械故障诊断方法。
技术介绍
1、旋转机械在现代工业中扮演着不可或缺的角色，其运行涵盖了诸多领域，包括能源生产、制造业和交通运输等。然而，随着长时间的运行，旋转机械在运行过程中承受着巨大的载荷和运动应力，不可避免地会导致机械零部件的磨损、变形和劣化；长期使用会威胁其稳定性、安全性和效率。
2、联轴器是旋转机械中常用的一个部件，将一个旋转机械的转动力矩传递到另一个转动机械上，使两部分可协同工作，对于旋转机械中联轴器的一个常见的问题是不对中，这可能导致旋转部件之间的不平衡和不稳定，进而引发机械的震动、噪音甚至损坏。轴承被用于支撑机械轴，使其能够旋转自由且平稳，并确保轴的运动不受限制，对于旋转机械的轴承来说疲劳损伤也是一个突出的故障类型。反复的载荷作用会导致机械零部件逐渐积累微小损伤，最终可能导致裂纹的形成和扩展，进而引发断裂事故。塑性变形也是轴承另一个需要关注的问题，机械在长时间高强度的工作条件下可能会发生塑性变形，影响其几何形状和性能。这些故障不仅可能影响旋转机械的正常运行，还可能对周围环境和人员安全造成严重威胁。因此，旋转机械的健康状态监测、故障诊断和预防显得尤为重要。
3、近年来随着机器学习技术的发展，基于深度学习的故障诊断方法逐渐适用于机械领域。通过对旋转机械零部件的故障诊断技术，可及时挑选出故障零件，并及时更换，确保旋转机械安全工作。可利用计算机对旋转机械零件进行故障分类，但现有的检测方法一般都需要在训练过程中输入不同故障类型，测试
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于无监督学习的旋转机械故障诊断方法，以克服传统监督学习必须输入不同故障类型训练，在测试时才能检测出特定类型故障这一局限性，采用无监督学习的思想，在训练时仅用健康数据进行训练，首先通过卷积层将数据维度提升，再将其通过一组swin transformer block在高维度进行特征提取，最后将维度压缩回1，以此提取健康数据中的健康特征；虽然训练时并未对故障类型进行训练，但在测试时根据测试数据与健康特征的偏差情况即可判别出是否故障。本专利技术无监督学习相较于监督学习训练简单，且可诊断未发现过的故障类型，并且舍去了传统方法繁琐求解过程，也不需要在旋转机械领域的高专业性，对环境噪声的鲁棒性和不同工况的普适性更高；另外本专利技术没有选择传统无监督学习使用的自编码器，而选择改进网络，使其更适应旋转机械故障诊断，在旋转机械故障诊断方面更具有优越性。
2、一种基于无监督学习的旋转机械故障诊断方法，具体包括以下步骤：
3、步骤1：分别获取联轴器位移振动信号和轴承加速度振动信号作为旋转机械的两种典型零部件故障数据集；
4、步骤2：分别取每种数据集中部分健康数据作为训练样本，剩余健康数据与故障数据为测试样本，分别用于模型的训练与测试；
5、步骤3：采用swin transformer为基础模型，对其进行改进，并利用损失函数训练模型，收敛以后得到最终的模型权重，从而得到最优模型；
6、所述对swin transformer进行改进，具体为：使用conv卷积模块代替原有patchembed中的全连接模块；删去多层架构，仅保留一组swin transformer block，并在结尾删除全连接层使网络通过展平层直接输出。
7、所述模型架构包括卷积层、1组swin transformer block以及展平层，其中所述卷积层卷积核大小为patch_size，步幅为stride，输出通道数为embed_dim，通过卷积层后将得到的embed_dim维数据输入到swin transformer block中，先layer normalization层标准化模块，再通过窗口大小为window_size，注意力头数为num_heads的w-msa模块，再通过layer normalization层，并使用中间层倍率为mlp_ratio的多层感知机增强自适应感知能力，接下来通过第二个swin transformer block为了进行窗口间注意力机制计算，与第一个swin transformer block不同的是用sw-msa模块代替其中的w-msa模块，sw-msa的窗口挪移步长为1\2window_size，最后通过展平层将embed_dim维压缩回1维进行输出，完成对数据的重构；
8、所述删去多层架构，仅保留一组swin transformer block，在该组swintransformer block中，输入特征首先通过ln层计算均值和方差，并进行窗口内注意力机制计算；计算结果与输入特征相乘得到输出特征，然后经过ln层和mlp多层感知机将特征添加到输出特征数据上；接着，输出特征再次经过ln层计算均值和方差，并进行窗口间注意力机制计算；计算结果与输入特征相乘得到最终的输出特征，再通过ln层和mlp多层感知机将特征添加到输出数据上，其中swin transformer block计算式如下：
9、
10、
11、
12、
13、其中，为第i个block的(s)w-msa模块输出特征，zi为第i个block的mlp模块输出特征，ln为layer normalization层标准化模块；
14、所述在结尾删除全连接层使网络通过展平层直接输出，减少参数量并增强表征能力；
15、所述利用损失函数训练模型，收敛以后得到最终的模型权重，其中损失函数采用mse loss，如下式：
16、
17、其中mse为均方误差，n为训练样本总数，xi为输入数据，为通过训练的重构数据，并利用反向传播算法中随机梯度下降方法对网络进行优化，并以此训练直至收敛，并保存最优的权重文件；
18、步骤4：将测试数据输入到训练得到的最优模型中进行检测，产生最终检测结果；
19、所述加载最优模型权重，将准备好的旋转机械测试集进行输入，通过提取健康特征后，得到一个与健康数据偏差的数值，通过与正常偏差数值对比即可检测是否存在故障。
20、本专利技术的有益技术效果：
21、(1)克服传统监督学习的局限性，由于监督学习依赖于大量标注的训练数据，这意味着需要人工标记数据集，耗费时间和资源。且当训练数据与实际应用场景存在差异时，模型可能表现不佳，监督学习模型也存在容易过拟合这一缺点，即在训练数据上表现良好，但在新数据上表现不佳，基于无监督学习的旋转机械故障诊断方法采用的无监督学习方法所利用的训练数据无需进行人工标注，且可应用于存在环境噪声的复杂环境中，更便于实际应用。
22、(2)针对旋转机械两种不同部件，基于无监督学习的旋转机械故障诊断方法展现出了较好的故障诊断能力通过充分利用两种不同数据集的实验验证，基于无监督学习的旋转机本文档来自技高网...
【技术保护点】
1.一种基于无监督学习的旋转机械故障诊断方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，步骤3所述所述对Swin Transformer进行改进，具体为：使用Conv卷积模块代替原有PatchEmbed中的全连接模块；删去多层架构，仅保留一组Swin Transformer Block，并在结尾删除全连接层使网络通过展平层直接输出。
3.根据权利要求1所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，步骤3所述改进后模型架构包括卷积层、1组Swin Transformer Block以及展平层，其中所述卷积层卷积核大小为Patch_size，步幅为stride，输出通道数为Embed_dim，通过卷积层后将得到的Embed_dim维数据输入到Swin Transformer Block中，先Layer Normalization层标准化模块，再通过窗口大小为Window_size，注意力头数为Num_heads的W-MSA模块，再通过Layer Normalization层，并使
4.根据权利要求2所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，所述删去多层架构，仅保留一组Swin Transformer Block，在该组Swin TransformerBlock中，输入特征首先通过LN层计算均值和方差，并进行窗口内注意力机制计算；计算结果与输入特征相乘得到输出特征，然后经过LN层和MLP多层感知机将特征添加到输出特征数据上；接着，输出特征再次经过LN层计算均值和方差，并进行窗口间注意力机制计算；计算结果与输入特征相乘得到最终的输出特征，再通过LN层和MLP多层感知机将特征添加到输出数据上，其中Swin Transformer Block计算式如下：
5.根据权利要求2所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，所述在结尾删除全连接层使网络通过展平层直接输出，减少参数量并增强表征能力。
6.根据权利要求2所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，所述利用损失函数训练模型，收敛以后得到最终的模型权重，其中损失函数采用MSE Loss，如下式：
7.根据权利要求1所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，步骤4进行检测，产生最终检测结果具体为：
...【技术特征摘要】
1.一种基于无监督学习的旋转机械故障诊断方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，步骤3所述所述对swin transformer进行改进，具体为：使用conv卷积模块代替原有patchembed中的全连接模块；删去多层架构，仅保留一组swin transformer block，并在结尾删除全连接层使网络通过展平层直接输出。
3.根据权利要求1所述的一种基于无监督学习的旋转机械故障诊断方法，其特征在于，步骤3所述改进后模型架构包括卷积层、1组swin transformer block以及展平层，其中所述卷积层卷积核大小为patch_size，步幅为stride，输出通道数为embed_dim，通过卷积层后将得到的embed_dim维数据输入到swin transformer block中，先layer normalization层标准化模块，再通过窗口大小为window_size，注意力头数为num_heads的w-msa模块，再通过layer normalization层，并使用中间层倍率为mlp_ratio的多层感知机增强自适应感知能力，接下来通过第二个swin transformer block为了进行窗口间注意力机制计算，与第一个swin transformer block不同的是用sw-msa模块代替其中的w-...
【专利技术属性】
技术研发人员：宋志刚，尹祥军，韩波，师婉瀛，张杰，董陆涛，
申请(专利权)人：浪潮云康山东信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。