一种时频域图像数据驱动的滚动轴承故障诊断方法

本发明涉及故障诊断，更具体的说是涉及一种时频域图像数据驱动的滚动轴承故障诊断方法。

背景技术：

1、旋转机械是设备状态监测与故障诊断工作的重点，一旦发生故障将会导致生产停机损失，据不完全统计，旋转机械的故障约有30％是因其关键部件滚动轴承引起的。针对滚动轴承开展故障诊断研究有助于降低旋转机械设备维修成本和生产停机时间，保障旋转机械设备长期运行的安全性和可靠性。

2、现有的故障诊断技术分为两类：基于物理模型的故障诊断方法和基于数据驱动的故障诊断方法。其中，基于物理模型的方法主要通过建立能够描述设备各种健康状态的数学或物理模型，并定期测量关键性能参数与模型的预测对比，以此判断设备可能存在的故障，包括裂纹扩展模型、失效物理模型等，但是该方法高度依赖于建模精度和领域专业知识。随着机械装备的精密化和复杂化，往往难以建立可靠且精准的物理模型，显著影响故障诊断的效率和精度。因此，基于历史运行数据驱动的状态监测和故障诊断技术成为了故障预警和诊断领域的重要研究课题。

3、基于数据驱动的故障诊断方法可以直接从海量原始传感器信号中发掘出故障的潜在高维特征，进而输出准确的诊断结果。常见的信号特征提取方法包括时域分析、频域分析和时频域分析。时域分析方法，如jia等利用改进的谱峭度(sk)方法检测信号的共振频带，通过提取信号的时域特征进行滚动轴承的早期故障诊断；频域分析方法，如alwodai等采用调制信号双谱(msb)方法，从故障轴承的高阶频谱中提取微小变化进行故障检测和诊断；时频分析方法能够同时反映系统或结构信号的时间特性和频率特性，对非平稳信号具有更好的适应性，因此受到学者广泛关注，如利用短时傅里叶变换(stft)、希尔伯特-黄变换(hht)和小波变换(wt)等方法进行滚动轴承的故障诊断研究。然而，基于信号处理的智能诊断方法依然存在着许多不足，如特征提取需要海量故障样本数据，以及信号处理方法数据表征能力不强，导致诊断精度与泛化能力较差等。

4、随着现代状态监测技术的发展，旋转机械故障诊断领域进入了大数据时代，能够实现机械设备全寿命周期的数据采集。深度神经网络模型凭借其强大的特征提取能力，直接在原始信号中学习到高效的特征表示，能够满足工业过程中高效获取故障诊断结果的需求。以神经网络为代表的深度学习方法，已被广泛证明在故障诊断领域的有效性，根据输入数据的形式不同，这些方法可分为两类：第一类方法以一维原始信号作为输入，利用循环神经网络(rnn)或一维卷积神经网络(1d-cnn)提取时间序列的特征，但直接利用原始信号的诊断方法，其精度容易受到噪声的影响，且研究人员难以直观的从原始信号中获取故障的任何信息；第二类方法以原始信号的二维可视化图像(如小波时频图)作为神经网络的输入，利用卷积神经网络(cnn)等计算机视觉模型提取图像中的故障信息，由于二维图像呈现时间、频率特性的方式更直观，有利于神经网络学习和提取更复杂的特征，并提供更好的可解释性，因此，基于图像数据驱动的故障诊断方法吸引了越来越多的学者研究。然而，目前的研究大多使用cnn提取图像特征，存在着仅关注局部信息且卷积核权重无法动态调整的不足。

5、因此，如何解决传统智能诊断方法诊断精度较低、泛化能力较差的问题是本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种时频域图像数据驱动的滚动轴承故障诊断方法，解决了背景技术存在的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种时频域图像数据驱动的滚动轴承故障诊断方法，包括以下步骤：

4、在滚动轴承振动信号的原始数据集中，对不同故障位置、不同故障等级的故障样本以及正常样本进行采样，获取样本数据集；

5、利用连续小波变换，将样本数据集中的滚动轴承振动信号转换为时频图像，并按比例划分为训练集、验证集和测试集；

6、构建swin transformer模型并利用训练集进行模型训练，直至验证集损失函数收敛，得到训练好的swin transformer模型；

7、将测试集输入训练好的swin transformer模型中进行特征提取，根据提取到的特征进行故障诊断分类，获得诊断结果。

8、可选的，还包括：采用随机重叠采样方法对原始数据集进行扩充。

9、可选的，样本数据集的采样频率为12khz或48khz。

10、可选的，故障位置为滚动体、内圈、外圈，故障等级为0.178mm、0.356mm、0.533mm。

11、可选的，还包括：对时频图像进行预处理，将全部时频图像变换为224×224分辨率。

12、可选的，将样本数据集中的滚动轴承振动信号转换为时频图像，具体为：

13、任意t时刻有限能量的振动信号f(t)的连续小波变换定义为：

14、

15、式中，f(t)为原始信号，ψ(t)为小波基函数，a为伸缩系数，b为平移系数，*表示复共轭；c(a,b)为小波系数，表示在尺度a和位置b上振动信号f(t)与小波基函数的相似度；

16、通过连续小波变换在不同的尺度或频率上分析振动信号，以对原始信号进行多分辨率分析，获取时频图像。

17、可选的，小波基函数为morlet小波，用于捕捉非平稳信号中的故障特征。

18、可选的，swin transformer模型的整体架构分为n个阶段，每个阶段均包含n个swin transformer block；将时频图像划分为固定窗口大小的图块并嵌入到网络当中进行特征表示，在得到的特征图上进行swin transformer操作。

19、可选的，swin transformer block包括窗口内的自注意力和窗口间的自注意力；

20、窗口内的自注意力将输入特征图划分为固定大小的非重叠窗口，计算像素特征z经过自注意力运算后的特征表示：

21、

22、式中，q、k、v分别是输入特征x和权重矩阵w_q、w_k、w_v分别计算得到的查询矩阵、键矩阵和值矩阵；d是查询矩阵或键矩阵的维度；softmax是归一化函数；

23、通过引入滑动窗口操作将窗口按一定的步长进行滑动，滑动窗口操作引入前一层中相邻非重叠窗口之间的连接，每个窗口内的位置相对固定，窗口移位后通过相对位置编码捕捉新的位置关系；

24、其中，考虑相对位置编码的自注意力计算定义为：

25、

26、式中，b为相对位置编码。

27、可选的，模型训练的具体过程为：

28、在每个阶段训练结束后进行一次下采样操作，利用patchmergeing将当前层所有窗口的输出融合为一个更高级别的特征表示；

29、在所有阶段训练结束后，将融合后的特征图经过层归一化、平均池化和维度转换得到适于分类任务的特征向量，再通过全连接层和softmax函数进行映射，得到各个轴承故障类型的预测概率。

30、经由上述的技术方案可知，与现有技术相比，本发明提供了一种时频域图像数据驱动的滚动轴承故障诊断方法，能够高效准确地完成滚动轴承故障诊断任务，解决传统智能诊断方法诊断精度较低、泛化能力较差的问题，在未来的工程实际应用中可以与传统故障诊断方法的结果进行交叉验证，提高旋转机械设备运行的安全可靠性。