CN115586005A - 基于递归图和深度自适应Transformer的轴承故障检测方法及系统 - Google Patents
基于递归图和深度自适应Transformer的轴承故障检测方法及系统 Download PDFInfo
- Publication number
- CN115586005A CN115586005A CN202211293256.7A CN202211293256A CN115586005A CN 115586005 A CN115586005 A CN 115586005A CN 202211293256 A CN202211293256 A CN 202211293256A CN 115586005 A CN115586005 A CN 115586005A
- Authority
- CN
- China
- Prior art keywords
- bearing
- vibration signal
- fault
- data
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于递归图和深度自适应Transformer的轴承故障检测方法,涉及轴承检测技术领域,包括:轴承振动信号训练数据采集;对轴承振动信号数据进行增强预处理;采用递归图编码技术将一维振动信号通过递归图编码技术生成二维纹理图像形成特征图,并划分为训练集、验证集、测试集三种数据集;建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测,解决了现有技术中轴承故障检测精度不高的问题。
Description
技术领域
本发明涉及轴承故障检测技术领域,具体为一种基于递归图和深度自适应Transformer的轴承故障检测方法及系统。
背景技术
随着工业发展,高精度自动化设备的需求也在不断增加,这些设备越精密,运行状态越难以监测,其运行状态往往直接决定该设备的好坏,轴承故障的发生将会导致高昂的维修费用和大量的维修时间,因此,如何降低轴承发生故障的概率和提高故障诊断能力成为了研究的主流方向。
目前基于振动信号的轴承故障诊断技术主要分为基于信号处理的诊断方法和基于机器学习的方法。基于信号处理技术是人为通过提取特征信息来对轴承进行诊断,更加容易获取到轴承的故障种类,往往还取决于人的经验,导致诊断的准确率不高。而基于机器学习的轴承故障诊断能够更好的获取到轴承不同故障的信息,更好的准确监测轴承的运行状态。采用机器学习的方法时,基于卷积网络进行轴承振动信号特征提取,实际工程中通常采用CNN算法,CNN算法是对轴承振动信号进行特征提取,再通过分类器进行分类,从而得知是外圈还是内圈故障,然而CNN卷积无法捕获全局特征,不能多振动信号实时提取;基于循环网络也需要考虑到时序信息,随着信息的前向传播导致丢失的特征越来越多。以上两种方法识别精度还有待进一步提升。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于递归图和深度自适应Transformer的轴承故障检测方法及系统,解决了上述背景技术中提出的轴承故障检测精度不高的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于递归图和深度自适应Transformer的轴承故障检测方法,包括:轴承振动信号训练数据采集;
对轴承振动信号数据进行增强预处理;
采用递归图编码技术将一维振动信号通过递归图编码技术生成二维纹理图像形成特征图,并划分为训练集、验证集、测试集三种数据集;
建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测。
优选地,所述轴承振动信号训练数据采集的具体方法为:通过振动信号采集设备获取装置上的驱动端轴承的振动信号;
预先准备好的待测轴承要求包含三种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤,作为训练所需的数据;
在不同的地方设置加速度计收集,采集到的振动信号包括1种正常信号和9种故障信号类型。
优选地,所述建立构建出基于深度自适应Transformer的轴承故障检测器,包括:
首先需要获取到递归编码后的二维纹理图像,根据处理后的二维纹理图像,从输入图像获取到每一种故障的类别;
对于只有一种故障类型的二维纹理图像,应用卷积网络F去诊断轴承的故障点,点热图H∈Rh×w×k,其中k为预测故障点的个数,h和w分别是特征图的高度和宽度,形式上:
H=F(I)
H代表特征图上所有故障点,F代表的是卷积函数,I则是输入的故障类型;H的每个像素代表编码后的故障点在该像素上的概率,为了获得关节坐标J,这些方法通常使用取最大值操作来获得具有峰值激活的位置。形式上,设p是H上的空间位置,可以写成:
Jk=argmaxp(Hk(p))
Jk为k个故障点,在基于热图的方法中,p的精度达到了H的分辨率,在模型训练中,将J作为k长度序列,直接将输入I映射到轴承故障点的坐标J;
Jk=F(I)
其中F由三个主要组件组成:一个用于提取多级特征表示的标准CNN Backbone,一个用于捕获和融合多级特征的Transformer Encoder,以及一个用于生成关键点坐标序列的Transformer Decoder。
优选地,所述建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测,还包括:深度自适应算法,通过改变对打均值差异实用多核MMD进行迁移学习可以将训练方法运用在不同工况下的故障诊断。
本发明还提供一种基于递归图和深度自适应Transformer的轴承故障检测系统,所述系统包括:滚动电机轴承装置、振动信号采集器、终端服务器;
所述滚动电机轴承装置包括:预先准备好的待测轴承要求包含三种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤,作为训练所需的数据;
所述振动信号采集器用于轴承振动信号训练数据采集;
所述终端服务器用于接收振动信号采集器获得的轴承信号数据,同时包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如前任一项所述的一种基于递归图和深度自适应Transformer的轴承故障检测。
有益效果
本发明提供了一种基于递归图和深度自适应Transformer的轴承故障检测方法及系统。具备以下有益效果:
本发明提供了一种基于递归图和深度自适应Transformer的轴承故障检测方法及系统将Transformer引入轴承故障诊断,并在卷积提取底层特征前联合深度自适应机制优化提取不同特征的准确性,采集的图像有着来自不同角度的特征,可以根据图像特征不同调整网络深度,只计算具有复杂特征的图像。构建出一个基于深度自适应Transformer的轴承故障检测器,使用卷积在底层提取基本特征,而Transformer在高层捕获全局互相依赖关系,将纹理图作为输入进行扁平化,再输出恢复到二维结构的热力图中,对故障种类分类和检测更加准确。
附图说明
图1为本发明实施例提供的一种基于递归图和深度自适应Transformer的轴承故障检测方法流程图;
图2为本发明实施例提供的一种基于递归图和深度自适应Transformer的轴承故障检测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,本发明实施例提供一种基于递归图和深度自适应Transformer的轴承故障检测方法,包括:
S1轴承振动信号训练数据采集;
S2对轴承振动信号数据进行增强预处理;
S3采用递归图编码技术将一维振动信号通过递归图编码技术生成二维纹理图像形成特征图,并划分为训练集、验证集、测试集三种数据集;
S4建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测。
优选地,所述轴承振动信号训练数据采集的具体方法为:通过振动信号采集设备获取装置上的驱动端轴承的振动信号;
预先准备好的待测轴承要求包含三种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤,作为训练所需的数据;
在不同的地方设置加速度计收集,采集到的振动信号包括1种正常信号和9种故障信号类型。
在一个实施例中,系统的采样频率为12kHz。
在一个实施例中,对轴承振动信号数据进行增强预处理,因为采集到的数据层出不穷,伴随着不同的信号特征,所以数据增强是非常重要的一步,可以更好的提取特征。
优选地,所述建立构建出基于深度自适应Transformer的轴承故障检测器,包括:
首先需要获取到递归编码后的二维纹理图像,根据处理后的二维纹理图像,从输入图像获取到每一种故障的类别;
对于只有一种故障类型的二维纹理图像,应用卷积网络F去诊断轴承的故障点,点热图H∈Rh×w×k,其中k为预测故障点的个数,h和w分别是特征图的高度和宽度,形式上:
H=F(I)
H代表特征图上所有故障点,F代表的是卷积函数,I则是输入的故障类型;H的每个像素代表编码后的故障点在该像素上的概率,为了获得关节坐标J,这些方法通常使用取最大值操作来获得具有峰值激活的位置。形式上,设p是H上的空间位置,可以写成:
Jk=argmaxp(Hk(p))
Jk为k个故障点,在基于热图的方法中,p的精度达到了H的分辨率,在模型训练中,将J作为k长度序列,直接将输入I映射到轴承故障点的坐标J;Jk=F(I)
其中F由三个主要组件组成:一个用于提取多级特征表示的标准CNN Backbone,一个用于捕获和融合多级特征的Transformer Encoder,以及一个用于生成关键点坐标序列的Transformer Decoder。
在一个实施例中,将一维振动信号通过递归图编码技术生成二维纹理图像,再将这些纹理图像输入到CNN网络中,结合CNN网络对二维图像数据优秀的特征提取能力,对轴承进行故障诊断。然而CNN网络提取图像特征的效果比较优秀,但是仍然存在一些无法提取高层特征的现象,所以引入了Transformer模型对纹理图像高层特征进行提取,大大提高了准确率。
优选地,所述建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测,还包括:深度自适应算法,通过改变对打均值差异实用多核MMD进行迁移学习可以将训练方法运用在不同工况下的故障诊断。
在一个实施例中,所述建立构建出基于深度自适应Transformer的轴承故障检测器,本质上就是CNN的骨架网络和Transformer的Encoder-Decoder的结构,而Transformer就是一个基于多头注意力机制的模型,此模型能够解决存在的长距离依赖问题,有更好的记忆力,减少冗长复杂的计算达到更为准确的识别效果,但是也丧失了捕捉局部特征的能力,所以在原有的模型中,引入CNN卷积网络提取底层特征,更好的捕捉局部特征。
在一个实施例中,通过振动信号采集器采集到的振动信号的波形图输入层出不穷,具有的故障特征也是不同的,在每一个振动信号的波形频率图都会存在一定的故障,所以很难做到精确诊断,对诊断分类效果有所影响,即深度自适应机制可以使不同输入图像数据更加适合模型训练,选择特定的Decoder层去输出,降低计算量,提高准确性。
对于一个深度网络,随着网络层数的增加,网络的依赖性逐渐降低,更加依赖于某种特定的任务;然而浅层相对来说只是学习一个大概的特征,不同任务当中,浅层的特征基本上是通用的,但是在高层中特征是不同的,需要有更加适配的网络来适配高层网络能够提取到到更加准确的特征。本申请中深度自适应适配采用了多核的MMD和多层适配高层网络的方法,称为DAN算法MK-MMD突出多个核构造总的核,对于两个概率分布p,q,他们的多核MMD距离就是
这个多个核一起定义的总核是
其中的k是一个固定的函数,现在用m个不同的核进行加权,权重就是βu,表现能力远远好过一个核的MMD。
关于DAN方法。它基于AlexNet网络,探索source和target之间的适配关系,DAN算法的优化目标主要由损失函数和分布距离组成,分布距离就是MK-MMD距离,即优化目标就是
其中na是目标域中所有的标签数据集合,是源域中所有的标签集合,λ是惩罚系数,然而J(·)是定义的损失函数,l1,l2分别是6和8,表示网络适配是从第6层到第8层,也就是Transformer解码器后第1层到第3层,xa,na表示source和target中的所有标签数据集合。
学习权重β主要是为了确定多核的权重,确保每个核生成的MMD距离方差最小。
本发明将DAN算法进行拆解为5层卷积和3层全连接层分别放置Transformer编码器前和解码器后,经过5层卷积提取底层特征,经过Transformer分成Source域和Target域两类输出,探索两者之间的适配关系,最后由Target域输出与原图像比对确定故障点数据信息,本发明在原有的模型中将一维信号通过递归图技术转换为二维特征纹理图,让故障点分布在图像的每个像素上,更好的展示故障特征。再结合深度自适应算法,通过改变对打均值差异实用多核MMD进行迁移学习可以将训练方法运用再不同工况下的故障诊断。将迁移学习与自然语言两个不同的领域结合在一起对轴承故障纹理图进行故障诊断类别的识别和诊断,诊断效果从而达到更为准确。
本发明实施例还提供一种基于递归图和深度自适应Transformer的轴承故障检测系统,所述系统包括:滚动电机轴承装置、振动信号采集器、终端服务器;
所述滚动电机轴承装置包括:预先准备好的待测轴承要求包含三种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤,作为训练所需的数据;
所述振动信号采集器用于轴承振动信号训练数据采集;
所述终端服务器用于接收振动信号采集器获得的轴承信号数据,同时包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如前任一项所述的一种基于递归图和深度自适应Transformer的轴承故障检测,从振动信号采集器采集到信号以后,便开始传输到终端服务器中经过数据处理为时域或者频域的频率图,在经过递归图(RP)对轴承信号进行时间序列数据的特征分析,再结合改进版本的Transformer模型提高训练准确率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于递归图和深度自适应Transformer的轴承故障检测方法,其特征在于,包括:轴承振动信号训练数据采集;
对轴承振动信号数据进行增强预处理;
采用递归图编码技术将一维振动信号通过递归图编码技术生成二维纹理图像形成特征图,并划分为训练集、验证集、测试集三种数据集;
建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测。
2.根据权利要求1所述的基于递归图和深度自适应Transformer的轴承故障检测方法,其特征在于,所述轴承振动信号训练数据采集的具体方法为:通过振动信号采集设备获取装置上的驱动端轴承的振动信号;
预先准备好的待测轴承要求包含三种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤,作为训练所需的数据;
在不同的地方设置加速度计收集,采集到的振动信号包括1种正常信号和9种故障信号类型。
3.根据权利要求2所述的基于递归图和深度自适应Transformer的轴承故障检测方法,其特征在于,所述建立构建出基于深度自适应Transformer的轴承故障检测器,包括:
首先需要获取到递归编码后的二维纹理图像,根据处理后的二维纹理图像,从输入图像获取到每一种故障的类别;
对于只有一种故障类型的二维纹理图像,应用卷积网络F去诊断轴承的故障点,点热图H∈Rh×w×k,其中k为预测故障点的个数,h和w分别是特征图的高度和宽度,形式上:
H=F(I)
H代表特征图上所有故障点,F代表的是卷积函数,I则是输入的故障类型;H的每个像素代表编码后的故障点在该像素上的概率,为了获得关节坐标J,这些方法通常使用取最大值操作来获得具有峰值激活的位置。形式上,设p是H上的空间位置,可以写成:
Jk=argmaxp(Hk(p))
Jk为k个故障点,在基于热图的方法中,p的精度达到了H的分辨率,在模型训练中,将J作为k长度序列,直接将输入I映射到轴承故障点的坐标J;
Jk=F(I)
其中F由三个主要组件组成:一个用于提取多级特征表示的标准CNN Backbone,一个用于捕获和融合多级特征的Transformer Encoder,以及一个用于生成关键点坐标序列的Transformer Decoder。
4.根据权利要求3所述的所述的基于递归图和深度自适应Transformer的轴承故障检测方法,其特征在于,所述建立构建出基于深度自适应Transformer的轴承故障检测器,并利用数据集数据进行模型训练、参数优化、模型测试,完成轴承故障检测,还包括:深度自适应算法,通过改变对打均值差异实用多核MMD进行迁移学习可以将训练方法运用在不同工况下的故障诊断。
5.一种基于递归图和深度自适应Transformer的轴承故障检测系统,其特征在于,所述系统包括:滚动电机轴承装置、振动信号采集器、终端服务器;
所述滚动电机轴承装置包括:预先准备好的待测轴承要求包含三种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤,作为训练所需的数据;
所述振动信号采集器用于轴承振动信号训练数据采集;
所述终端服务器用于接收振动信号采集器获得的轴承信号数据,同时包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至4任一项所述的一种基于递归图和深度自适应Transformer的轴承故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293256.7A CN115586005A (zh) | 2022-10-21 | 2022-10-21 | 基于递归图和深度自适应Transformer的轴承故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293256.7A CN115586005A (zh) | 2022-10-21 | 2022-10-21 | 基于递归图和深度自适应Transformer的轴承故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115586005A true CN115586005A (zh) | 2023-01-10 |
Family
ID=84780369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211293256.7A Pending CN115586005A (zh) | 2022-10-21 | 2022-10-21 | 基于递归图和深度自适应Transformer的轴承故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586005A (zh) |
-
2022
- 2022-10-21 CN CN202211293256.7A patent/CN115586005A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022077901A1 (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN111489339B (zh) | 高速铁路定位器螺栓备母缺陷的检测方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN112200244A (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN115601661A (zh) | 一种用于城市动态监测的建筑物变化检测方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN114677339A (zh) | 一种引入注意力机制的输电线路螺栓脱销缺陷检测方法 | |
CN112699597A (zh) | 一种核电启动水泵滚动轴承故障检测方法及系统 | |
CN117541534A (zh) | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 | |
Jiang et al. | Anomaly detection of industrial multi-sensor signals based on enhanced spatiotemporal features | |
CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN117893195A (zh) | 一种车辆故障排查和维修方法及系统 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN117132919A (zh) | 一种多尺度高维特征分析无监督学习视频异常检测方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN116580014A (zh) | 一种工业缺陷检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |