[发明专利]基于移位窗口变换器网络的滚动轴承故障诊断方法及系统

说明书

本发明提供了一种基于移位窗口变换器网络的滚动轴承故障诊断方法及系统。该方法包括，获取待测滚动轴承的振动信号；将所述振动信号通过小波时频变换转换为小波时频图；采用预设移位窗口变换器网络模型对所述小波时频图进行诊断，得到滚动轴承的故障类型及位置；其中，所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件，所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络，所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。

技术领域

本发明属于滚动轴承故障诊断领域，尤其涉及一种基于移位窗口变换器网络的滚动轴承故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

滚动轴承是旋转机械的关键部件，其健康的工作状态对于旋转机械设备具有十分重要的意义。可靠有效的滚动轴承故障诊断方法可以减少机械设备的维护费用，避免重大的事故的发生。因此，开展滚动轴承故障诊断的研究具有重要的工程意义。

目前，对于滚动轴承的故障诊断国内外研究很多，大致可以分为传统故障诊断方法和基于大数据驱动的智能故障诊断方法。滚动轴承的故障特征信息一般可以从振动、温度和声发射等监测数据中提取。故障诊断方法可以有效获取故障特征，准确识别轴承故障的类型、发生位置。传统的滚动轴承故障诊断方法从振动信号的时域、频域和时频域中获取特征，信号处理方法历经傅里叶变换→小波变换→经验模态分解的发展。传统的滚动轴承故障诊断方法依赖于专家知识。

随着传感器、图形计算单元的发展，轴承的故障信号的规模数量是十分丰富的，图形计算单元的发展为大数据所需的算力提供了硬件基础。面对如此庞大的故障信号数据，仅仅依靠人类自身的经验已经不能满足滚动轴承的故障诊断需求。基于大数据驱动的智能诊断方法使得计算机有着像人类一样的学习能力，可以从故障信号数据中自动获取故障特征，判断故障的类别。一般使用的机器学习方法包括卷积神经网络、循环神经网络等。基于大数据驱动的智能诊断方法相较于传统的故障诊断方法无需先验知识。但是，针对滚动轴承故障类型时域特征相似，识别难度大，故障高维特征提取困难等问题，仍未解决。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于移位窗口变换器网络的滚动轴承故障诊断方法及系统，其通过对小波时频图的识别，可以提取故障的高维特征，适用于大型设备关键部件的状态监测；具有故障识别精度高、抗噪声能力强的优点。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于移位窗口变换器网络的滚动轴承故障诊断方法。

基于移位窗口变换器网络的滚动轴承故障诊断方法，包括：

获取待测滚动轴承的振动信号；

将所述振动信号通过小波时频变换转换为小波时频图；

采用预设移位窗口变换器网络模型对所述小波时频图进行诊断，得到滚动轴承的故障类型及位置；

其中，所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件，所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络，所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。

本发明的第二个方面提供一种基于移位窗口变换器网络的滚动轴承故障诊断系统。

基于移位窗口变换器网络的滚动轴承故障诊断系统，包括：

获取模块，其被配置为：获取待测滚动轴承的振动信号；

小波转换模块，其被配置为：将所述振动信号通过小波时频变换转换为小波时频图；

诊断模块，其被配置为：采用预设移位窗口变换器网络模型对所述小波时频图进行诊断，得到滚动轴承的故障类型及位置；