[发明专利]基于Vision Transformer的滚动轴承故障智能识别方法

权利要求书

1.基于Vision Transformer的滚动轴承故障智能识别方法，其特征在于，包括以下步骤；

1)构建振动灰度纹理图像数据集：采集滚动轴承的一维原始振动信号，将一维原始振动信号转换为二维灰度纹理图像，建立振动灰度纹理图像数据集，并将振动灰度纹理图像数据集分为训练集和测试集；

2)构建Vision Transformer网络：结合自注意力机制、编码-解码网络和Softmax分类器，构建Vision Transformer网络；

3)训练Vision Transformer网络并保存：利用步骤1)中的振动灰度纹理图像数据集的训练集训练Vision Transformer网络，保存最后一次训练结束后的网络参数，使用测试集测试Vision Transformer网络的训练效果，计算Vision Transformer网络在测试集上的分类准确率、在ImageNet数据集上的分类准确率Top-1和在ImageNet数据集上的前五种分类准确率Top-5，作为Vision Transformer网络的三个评价指标；

4)Vision Transformer网络参数微调：以步骤3)中测试集分类准确率、Top-1和Top-5作为是否微调Vision Transformer网络参数的依据，若三个评价指标达到预定目标值，则不需要微调Vision Transformer网络参数；若三个评价指标未达到预定目标值，则微调Vision Transformer网络参数，更新Vision Transformer网络参数后重复步骤3)，直到三个评价指标到达预定目标值，完成Vision Transformer网络参数微调，结束VisionTransformer网络训练；

5)基于Vision Transformer的滚动轴承故障智能识别：采集状态未知的滚动轴承的振动信号，将一维原始振动信号转换为二维灰度纹理图像，输入到步骤4)已训练好的VisionTransformer网络中进行智能识别，得到滚动轴承的故障识别结果。

2.根据权利要求1所述的基于Vision Transformer的滚动轴承故障智能识别方法，其特征在于，所述步骤1)中采集滚动轴承的一维原始振动信号，将一维原始振动信号的幅值归一化到[-1,1]之间，然后转换到[0,255]，转换后的振动信号幅值对应振动灰度纹理图像的像素值，一维原始振动信号的幅值与振动灰度纹理图像素转换关系如式(1)所示：

式中：d_i,j是一维原始振动信号，其中i，j是原始振动信号的幅值尺寸；min是原始振动信号幅值的最小值；max是原始振动信号幅值的最大值；G_i,j是转化后的振动灰度纹理图像的像素值；

得到振动灰度纹理图像后，对振动灰度纹理图像进行局部二值化LBP，LBP算子定义在3×3的窗口内，以窗口中心像素为阈值，将相邻8个像素的灰度值与阈值比较，若周围像素值大于中心像素，则周围像素点位置记为1，否则为0，按顺时针方向从左上角读取八位二进制数，转换为十进制后即为对应的LBP值，如式(2)：

式中：(x_c,y_c)是中心像素；i_c是中心像素的灰度值；i_p是相邻像素的灰度值，p是扁平化二维块的分辨率，x是相邻像素与中心像素的差值；

将LBP处理后的每一张振动灰度纹理图像的高和宽设置为L×M，对振动灰度纹理图像分类并添加标签，其标签包括正常状态、内圈故障状态、外圈故障状态和滚动体故障状态四种。

3.根据权利要求1所述的基于Vision Transformer的滚动轴承故障智能识别方法，其特征在于，所述步骤2)中，Vision Transformer网络由一个编码器和一个分类器构成，其中编码器为Transformer Encoder网络，用于提取输入的振动灰度纹理图像数据集的特征，分类器为Softmax分类器，用于训练所提取的特征并分类。