?

?

《機電工程》雜志,月刊( 詳細... )

中國標準連續出版物號 ISSN 1001-4551 CN 33-1088/TH
主辦單位浙江省機電集團有限公司
浙江大學
主編陳 曉
副 主 編唐任仲、羅向陽(執行主編)
總 經 理羅向陽
出 版浙江《機電工程》雜志社有限公司
地 址杭州市上城區延安路95號浙江省機電集團大樓二樓211、212室
電話Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
國外發行中國國際圖書貿易總公司
訂閱全國各地郵局   國外代號M3135
國內發行浙江省報刊發行局
郵發代號32-68
廣告發布登記證:杭上市管廣發G-001號

在線雜志

當前位置: 機電工程 >>在線雜志

.基于同步擠壓小波變換和Transformer的軸承故障診斷模型

作者:張向宇,王衍學. 日期:2024-06-27/span> 瀏覽:676 查看PDF文檔

基于同步擠壓小波變換和Transformer的軸承故障診斷模型*
張向宇,王衍學*

(北京建筑大學 機電與車輛工程學院,北京 100044)


摘要:針對采用神經網絡對滾動軸承進行故障診斷時,故障信息利用不充分,特征提取困難的問題,提出了一種基于同步擠壓小波變換(SST)-Transformer的滾動軸承智能故障診斷方法。首先,以同步擠壓小波變換作為信號處理模塊,將一維振動信號轉為時頻圖;接著,設計了一種最大程度保留故障信息的時頻圖分割方式,將時頻圖分割為一系列圖像塊序列;然后,將序列輸入到具有強大的處理序列數據能力的Transformer模型中,進行了特征提取;最后,將特征數據輸入分類器進行了分類,對比了不同的時頻圖分割方式的診斷效果,并將SST-Transformer模型與基準算法相比較。研究結果表明:相較于其他分割方式,基于SST-Transformer的滾動軸承智能故障診斷方法的診斷準確率提升了3.45%,并大幅提升了模型訓練的收斂速度;相比于其他基準算法,該方法的平均準確率至少提升了1.05%。該方法有較高的診斷準確率和較好的穩定性。

關鍵詞:故障智能診斷;神經網絡;故障特征提取;注意力機制;深度學習;同步擠壓小波變換;Transformer模型

中圖分類號:TH133.3;TP183文獻標識碼:A文章編號:1001-4551(2024)06-1011-09


本文引用格式:

張向宇,王衍學.基于同步擠壓小波變換和Transformer的軸承故障診斷模型[J].機電工程,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.



?

友情鏈接

浙江機械信息網