【技术实现步骤摘要】
本专利技术属于机械故障诊断，涉及一种基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方法。
技术介绍
1、滚动轴承是旋转机械中的关键部件，广泛应用于各类工业设备中。然而，由于长期运行，滚动轴承易出现磨损、疲劳等故障，其早期故障特征较弱且容易被噪声掩盖，给故障诊断带来了极大挑战。传统的故障诊断方法主要分为信号处理方法和基于机器学习的技术。
2、其中信号处理方法主要包括模态分解(emd)、小波变换(wt)和变分模态分解(vmd)三种分，模态分解是通过将复杂信号分解为不同尺度的简单信号，用于初步故障分析。小波变换能够捕捉信号的局部特性，适用于非平稳信号的分析。而变分模态分解改进了emd和wt，能够更精确地分离信号中的不同模态成分。
3、另外，机器学习技术主要包括主成分分析(pca)、支持向量机(svm)和人工神经网络(ann)等。其中主成分分析通过降维方法减少数据的复杂性，提高了故障诊断的效率。支持向量机基于统计学习理论，适用于小样本情况下的故障分类。人工神经网络通过模拟生物神经网络，实现复杂非线性故障特征的学习和分类。
4、尽管上述方法在一定程度上提高了故障诊断的准确性，但其对工程师经验要求高、对计算资源的高需求和复杂的参数设置限制了其在实际应用中的普及，另外这些方法的计算复杂性都比较高，诊断准确性和速度都不够。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方法，包括以下步骤：
4、s1：利用三通道预处理模块ffe进行多维特征提取；
5、s2：将从各通道提取的特征进行特征融合，生成融合特征数据集；
6、s3：通过ghost增强特征注意网络gefa-net对融合特征数据集进行处理，增强特征表示并生成额外的特征映射，生成故障诊断结果。
7、进一步，步骤s1所述利用三通道预处理模块ffe进行多维特征提取，具体包括：
8、第一通道采用快速傅里叶变换fft分析振动信号的周期性和频率分布，捕捉故障信号的基本结构；
9、第二通道利用频率加权能量算子fweo增强信号的频率特性及其能量分布，隔离关键故障特征；
10、第三通道采用信号包络技术提取振动信号的瞬态和非线性特征，全面捕捉故障的细微变化。
11、进一步，所述第一通道采用快速傅里叶变换fft分析振动信号的周期性和频率分布，捕捉故障信号的基本结构，具体包括：
12、首先对振动信号进行分段处理；
13、然后利用fft算法对每一段信号进行变换，得到频谱信息，计算公式如下：
14、
15、其中，x(f)是离散傅里叶变换的结果，即频域信号；x(n)是时间域的离散信号，表示在第n个时刻的信号值；f是频率指数；n是信号的总采样点数，即信号的长度；j是虚数单位；n是时间索引，取值范围为0,1,2…n-1；
16、最后分析频谱幅值，识别故障特征频率。
17、进一步，所述第二通道利用频率加权能量算子fweo增强信号的频率特性及其能量分布，隔离关键故障特征，具体包括：
18、通过fweo计算信号的一阶和二阶导数，结合其瞬时频率和能量分布，提取出故障特征，计算公式如下：
19、
20、其中，x(t)表示时间t上的信号或函数，代表系统在时间t的状态；ω(x(t))表示信号x(t)的特征量，通过该量可以提取故障特征；t是时间变量。
21、进一步，所述第三通道采用信号包络技术提取振动信号的瞬态和非线性特征，全面捕捉故障的细微变化，具体包括：
22、首先对信号进行希尔伯特变换，得到复解析信号；
23、然后计算复解析信号的幅值，得到信号的包络；
24、最后对信号的包络进行分析，提取出旋转机械的冲击故障特征。
25、进一步，所述gefa-net结合了ghost module和高效金字塔平方注意机制epsa(efficient pyramid squared attention)；
26、所述ghost module首先进行标准卷积操作，生成一部分特征图；然后对这些特征图进行一系列线性变换，生成额外的特征图；
27、所述epsa机制引入多尺度特征提取机制，对每个尺度的特征进行独立处理，然后通过注意力机制进行加权融合，从而对特征进行多尺度建模。
28、进一步，所述对特征图进行一系列线性变换，包括加权求和和非线性激活函数。
29、进一步，所述epsa机制具体过程包括：
30、将输入特征图分解为不同尺度的子特征图；
31、对每个子特征图进行独立处理，提取局部特征；
32、通过注意力机制对不同尺度的特征进行加权融合，生成增强的特征表示。
33、本专利技术的有益效果在于：本方法在复杂工况下具有较高的诊断准确性和较低的计算复杂度，表现出较强的鲁棒性和高效性。本专利技术提出的轻量级高效轴承故障诊断方法能够有效提取振动信号的关键特征，优化特征表达，在保证准确识别的同时兼具轻量化，具有广泛的工业应用前景。
34、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：步骤S1所述利用三通道预处理模块FFE进行多维特征提取，具体包括：
3.根据权利要求2所述的基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：所述第一通道采用快速傅里叶变换FFT分析振动信号的周期性和频率分布，捕捉故障信号的基本结构，具体包括：
4.根据权利要求2所述的基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：所述第二通道利用频率加权能量算子FWEO增强信号的频率特性及其能量分布，隔离关键故障特征，具体包括：
5.根据权利要求2所述的基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：所述第三通道采用信号包络技术提取振动信号的瞬态和非线性特征，全面捕捉故障的细微变化，具体包括：
6.根据权利要求1所述的基于Gho
7.根据权利要求6所述的基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：所述对特征图进行一系列线性变换，包括加权求和和非线性激活函数。
8.根据权利要求6所述的基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法，其特征在于：所述EPSA机制具体过程包括：
...【技术特征摘要】
1.一种基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方法，其特征在于：步骤s1所述利用三通道预处理模块ffe进行多维特征提取，具体包括：
3.根据权利要求2所述的基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方法，其特征在于：所述第一通道采用快速傅里叶变换fft分析振动信号的周期性和频率分布，捕捉故障信号的基本结构，具体包括：
4.根据权利要求2所述的基于ghost特征增强改进的mobilevit轻量化轴承故障诊断方法，其特征在于：所述第二通道利用频率加权能量算子fweo增强信号的频率特性及其能量分布，隔离关键故障特征，具体包括：
<...【专利技术属性】
技术研发人员：董怀昊，郑凯，文思果，王淏，范宵宁，
申请(专利权)人：重庆邮电大学，
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。