.基于同步挤压小波变换和Transformer的轴承故障诊断模型

作者：张向宇,王衍学. 日期：2024-06-27/span> 浏览：583 查看PDF文档

摘要:针对采用神经网络对滚动轴承进行故障诊断时,故障信息利用不充分,特征提取困难的问题,提出了一种基于同步挤压小波变换(SST)-Transformer的滚动轴承智能故障诊断方法。首先,以同步挤压小波变换作为信号处理模块,将一维振动信号转为时频图;接着,设计了一种最大程度保留故障信息的时频图分割方式,将时频图分割为一系列图像块序列;然后,将序列输入到具有强大的处理序列数据能力的Transformer模型中,进行了特征提取;最后,将特征数据输入分类器进行了分类,对比了不同的时频图分割方式的诊断效果,并将SST-Transformer模型与基准算法相比较。研究结果表明:相较于其他分割方式,基于SST-Transformer的滚动轴承智能故障诊断方法的诊断准确率提升了3.45%,并大幅提升了模型训练的收敛速度;相比于其他基准算法,该方法的平均准确率至少提升了1.05%。该方法有较高的诊断准确率和较好的稳定性。

关键词:故障智能诊断;神经网络;故障特征提取;注意力机制;深度学习;同步挤压小波变换;Transformer模型

中图分类号:TH133.3;TP183文献标识码:A文章编号:1001-4551(2024)06-1011-09


本文引用格式:

张向宇,王衍学.基于同步挤压小波变换和Transformer的轴承故障诊断模型［J］.机电工程,2024,41(6):1011-1019.

ZHANG Xiangyu, WANG Yanxue. Fault diagnosis model of rolling bearing based on synchro squeezing wavelet transform and Transformer［J］.Journal of Mechanical & Electrical Engineering, 2024,41(6):1011-1019.