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

说明书

本发明公开了基于Vision Transformer的滚动轴承故障智能识别方法，首先针对滚动轴承提取振动信号，进而将一维振动信号转化为二维灰度纹理图像，然后将其制作成滚动轴承故障诊断的样本，在此基础上设计一种Vision Transformer网络，利用该网络完成滚动轴承的振动灰度纹理图像分类，进而识别出滚动轴承的不同故障类型。本发明实现了基于Vision Transformer网络的滚动轴承故障智能识别，对保障旋转机械的运行稳定性和安全性具有重要意义。

技术领域

本发明涉及机械故障诊断领域，特别是涉及滚动轴承故障诊断方向，具体涉及基于Vision Transformer的滚动轴承故障智能识别方法。

背景技术

滚动轴承是旋转机械常用的支承部件，其健康运行是整机正常运转的基础。实际生产条件下，滚动轴承大多处于非平稳、强噪声环境中，极易出现各种机械故障，如点蚀、烧伤、断裂等，影响整机的工作稳定性，甚至引发更为严重的后果。因此及时、准确地对滚动轴承故障状态进行识别，对保持机器运转的稳定性和安全性具有重要意义。但由于实际测量得到的滚动轴承故障信号常包含较强的背景噪声，滚动体通过损伤点产生的脉冲应力往往被噪声所淹没，难以识别。所以，有效的故障特征提取成为了滚动轴承故障诊断的重点内容之一。随着故障诊断理论研究的不断深入，提出了许多故障诊断方法，其目的是降低噪声并提取故障特征，如经验模态分解及其改进方法、小波分析、奇异值分解等，但这些方法多受到人为因素制约，需要先验知识或参数预调控来实现好的故障特征提取及识别。近年来，随着大数据深度学习技术的迅速发展，数据驱动的设备智能故障诊断受到了广泛关注。相比以经典信号处理为核心的故障诊断，数据驱动的智能诊断方法没有严格的先验知识要求，避免了对人工特征提取的依赖。但数据驱动的智能诊断方法需要依靠大量的数据作为网络储备，导致数据集制作和图像预处理任务繁重，效率低下。

发明内容

本发明的目的在于提供基于Vision Transformer的滚动轴承故障智能识别方法，以解决现有技术存在的问题，本发明对滚动轴承故障诊断综合实验台上采集的振动信号转化后的振动灰度图像识别准确率达94.6％，具有良好的实际应用价值。

为达到上述目的，本发明采用如下技术方案：

基于Vision Transformer的滚动轴承故障智能识别方法，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；