基于Swin Transformer模型的滚动轴承寿命预测方法技术

一种基于Swin Transformer模型的滚动轴承寿命预测方法，先将原始振动数据划分为训练集和测试集，对原始振动数据做Z‑score归一化处理，再构建Swin Transformer模型，然后将训练集数据及标签导入Swin Transformer模型中进行训练，训练Swin Transformer模型至收敛；最后将测试集及标签导入训练好的Swin Transformer模型中，得到滚动轴承的剩余寿命；本发明专利技术能够更有效，更精确的预测滚动轴承寿命。

【技术实现步骤摘要】

本专利技术涉及轴承寿命预测，尤其涉及一种基于swin transformer模型的滚动轴承寿命预测方法。

技术介绍

1、滚动轴承是机械中重要的零件之一，也是机械中容易失效的基础零部件，广泛应用于各工业领域中，一旦出现故障，则会影响机器的正常运行和工作效率，严重的还会导致机械损坏，造成经济损失和人员伤亡。随着机械行业的逐步发展，人们往往需要在有限的机器资源的基础上，更加高效的完成任务，所以降低设备的故障率至关重要。因此，准确的、有效的对滚动轴承的剩余使用寿命(remaining useful life,rul)进行预测具有重要的意义。

2、剩余使用寿命预测大致可以分为两类，分别为基于模型的方法和基于数据驱动的方法。基于模型的方法在很大程度上依赖于大量的专业知识，模型通常表现出较弱的泛化能力且准确度较低。基于数据驱动的方法，随着人工智能的发展，深度学习由于其强大的特征提取能力和泛化能力被广泛的应用于轴承的寿命预测当中，并且提高了预测的准确度，然而当前，在基于深度学习的轴承剩余使用寿命预测当中大多使用传统的卷积神经网络构建模型进行剩余使用寿命预测，然本文档来自技高网...

【技术保护点】

1.一种基于Swin Transformer模型的滚动轴承寿命预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于Swin Transformer模型的滚动轴承寿命预测方法，其特征在于，步骤1中对原始振动数据做Z-score归一化处理其运算表示为：

3.根据权利要求1所述的一种基于Swin Transformer模型的滚动轴承寿命预测方法，其特征在于：步骤2中所述的Swin Transformer模块的结构首先是一个LN(LayerNormalization)层，通过该层能够进行归一化处理，然后经过W-MSA(Window-based Multi...

【技术特征摘要】

1.一种基于swin transformer模型的滚动轴承寿命预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于swin transformer模型的滚动轴承寿命预测方法，其特征在于，步骤1中对原始振动数据做z-score归一化处理其运算表示为：

3.根据权利要求1所述的一种基于swin transformer模型的滚动轴承寿命预测方法，其特征在于：步骤2中所述的swin transformer模块的结构首先是一个ln(layernormalization)层，通过该层能够进行归一化处理，然后经过w-msa(window-based multi-head self-attention)模块，该模块会进行窗口划分，每个窗口进行自注意力计算并且生成加权向量，然后将多个窗口计算的加权向量拼接在一起，拼接后的向量再经过一个线性变换和ln层，最后通过mlp(multilayer perceptron)层后经过线性变换输入到下一个swintransformer模块中，在mlp层中首先经过一个全连接层，然后使用gelu激活函数，接着通过一个dropout层，然后通过一个全连接层...

【专利技术属性】
技术研发人员：韩波，宁新泽，宋志刚，王伟伟，尹祥军，
申请(专利权)人：山东浪潮智能生产技术有限公司，
类型：发明
国别省市：