【技术实现步骤摘要】
本专利技术属于旋转机械故障诊断领域，具体涉及一种基于cnn和transformer联合的行星齿轮箱故障诊断方法。
技术介绍
1、星齿轮箱是旋转机械设备的重要组成部分，具有效率高、传动比大、结构紧密等优良特性，在调节设备转速、转矩、提供动力等方面发挥着不可替代的作用。与此同时，行星齿轮箱的运行状态会直接影响整个机械设备的安全运行，因此及时对行星齿轮箱的状态进行检测以及后续的故障诊断是十分必要的。
2、传统的行星齿轮箱故障诊断方法主要是依靠大量的信号处理技术和丰富的工程实践经验对故障特征进行分析和辨别，不仅对技术人员有较高的要求，而且诊断效率较低。此外行星齿轮箱在服役期间时，经常受到高温、高压以及噪声干扰等因素的影响，使其故障诊断过程更加复杂和困难，人工干预的故障特征提取技术会存在很大的繁琐性和低效性。
3、近年来，人工智能、深度学习的发展不断推动着机械故障诊断技术朝着智能化的方向前进。深度学习这种可以从大量历史训练数据中提取数据本质特征表达的学习方式在故障诊断领域开展了广泛的应用。但当前仍存在噪声干扰、特征丢失、准确率低等问题，这在一定程度上影响了故障诊断的准确性。
技术实现思路
1、本专利技术的目的是设计一个基于cnn和transformer联合的故障诊断模型，用于克服基于深度学习的故障诊断方法中特征信息丢失的问题。另外需要进一步提高噪声环境中深度学习故障诊断的准确性。
2、为了达到上述技术目的，本专利技术提出了一种基于cnn和transform
3、步骤一：采用加速度传感器收集行星齿轮箱在不同故障状态下的一维振动信号，采用滑动窗口的方式将信号数据分割成多段，对数据进行归一化处理，并按照7:3的比例划分训练集和测试集。
4、步骤二：建立残差收缩模块，该模块的作用是对步骤一中预处理的数据进行降噪处理：主要由软阈值和残差单元结合而成，将具有降噪功能的软阈值函数嵌入到残差网络中，达到降噪的效果。
5、步骤三：构建二维卷积模块，首先将降噪后的数据通过格拉姆角场编码成二维图像作为二维卷积模块的输入，其次使用二维卷积模块对二维图像进行特征提取；二维卷积模块由5个堆叠的卷积层-批归一化层-relu激活函数组成。
6、步骤四:构建transformer编码器，首先需要对步骤二中降噪后的数据进行卷积升维，目的是使数据维度满足transformer的输入维度。transformer编码器中多头注意力模型的头数设置为4，前馈网络的维度为512，对降噪后的数据进行特征提取。
7、步骤五：将步骤三中提取到的特征向量与步骤四中提取到的特征向量进行拼接融合，再经1*1卷积降维，得到最后的融合特征向量，特征向量最后经过全连接层以实现故障的分类。
8、步骤六：将训练集输入到所提出的网络模型中进行训练，直到网络趋于收敛，得到行星齿轮箱的故障状态识别模型。
9、步骤七：将测试集输入到步骤六中训练好的模型之中，获取行星齿轮箱故障信号最终的诊断结果。
10、优选的，所述步骤一中，滑动窗口的大小设置为512，步长设置为256，即数据预处理过程中对数据进行50%的重采样。采用 one-hot 的方式分别为每种不同的故障类型打上标签，并打乱数据，按照7：3的比例划分训练集和测试集，对数据进行归一化处理。
11、优选的，所述步骤二中，残差收缩单元中批标准化层之后使用leakyrelu激活函数，该函数可以减少神经网络训练过程中神经元失活的现象，使训练过程更加稳定。残差收缩中所用的软阈值函数为降噪提供了手段，其公式如下：
12、
13、式中:a为输入特征，b为输出特征，t为阈值。
14、优选的，所述步骤三中，将经过残差收缩网络的特征数据通过格拉姆角场编码为二维图像。其具体实现过程如下：
15、s1：对于一维信号序列y={y1,y2,…yn}，通过归一化使所有值缩放至[-1,1]区间，具体计算过程为：
16、
17、s2：将归一化后的数值转换为极坐标形式，具体转换公式为：
18、:
19、式中:α为序列经反余弦函数转换所得极坐标下的角度，ti为时刻的时间戳，n为正则化极坐标系统张成空间的常数因子，ri为转换后的极坐标半径;
20、s3: 经s2转换后得到极坐标系统下的数据点，计算点之间的三角函数差可以得到序列的格拉姆差场，其定义为：
21、
22、优选的，所述步骤四中，首先使用1*1卷积将经过残差收缩模块降噪后的数据进行升维，特征维度从1升维到32，这一步的目的是使特征序列的输入维度满足transformer的输入要求，即[batchsize,序列长度，特征维度]，若不经卷积升维，则特征维度为1，无法输入transformer中。设置transformer中编码器的nhead=4,dim-feedforward=512，将降噪后的特征输入编码器中进行特征的提取。
23、优选的，所述步骤五中，将经卷积网络和transformer编码器中提取的特征通过torch.cat()函数进行拼接，得到最终的特征向量，其次，使用1*1卷积进行降维，这一步的目的是使最终的特征向量满足分类层的输入要求，继而特征向量经过全连接层1，relu激活函数、全连接层2后得到分类结果。
24、优选的，所述步骤六中，设置训练轮数为50轮，batchsize设置为64,学习率设置为1e-4,损失函数为交叉熵函数，优化器采用adam。将训练集输入到设置好参数的网络模型中进行训练，直到网络趋于收敛，保存模型参数，得到行星齿轮箱的故障状态识别模型。
25、本专利技术的优点及有益效果如下：本专利技术提供了一种新的行星齿轮箱故障诊断算法，该算法有效提升了噪声环境中行星齿轮箱故障诊断的准确率。此外本专利技术用二维图像作为cnn的输入进行特征提取，充分利用了cnn的局部特征提取能力，并利用一维序列作为transformer的输入，充分利用了transformer善于处理长序列的全局捕获能力，将提取的特征进行联合为后续的故障分类提供了更加丰富的特征信息。
本文档来自技高网...【技术保护点】
1.基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：包含以下的步骤：
2.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：在步骤一中，包括以下步骤，(1a)对采集到的不同故障状态下行星齿轮箱的一维振动信号进行预处理，采用滑动窗口的方式将数据集分割为等长度的序列，将两个连续分割长度进行50%的重叠，其目的是防止数据分割之后边缘信息的丢失；(1b)分别为每种不同的故障类型打上标签，并打乱数据，按照7：3的比例划分训练集和测试集；(1c)对数据进行归一化处理。
3.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤二中，所建立的残差收缩模块是由残差单元和软阈值函数组合而成，软阈值函数可以将绝对值低于所设定阈值的特征设置为零并调整其它特征趋于零，从而达到降噪的目的。软阈值的输入与输出之间满足下列关系式：
4.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤三中，将降噪后的数据通
5.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤四中，对步骤二中降噪后的数据进行卷积升维，目的是使特征维度满足Transformer 编码器的输入维度；构建Transformer编码器，对降噪后的数据进行特征提取。
6.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤五中，将步骤三中提取到的特征向量与步骤四中提取到的特征向量进行拼接融合，再经1*1卷积进行降维，得到最后的融合特征，特征向量最后输入到全连接层以实现故障的分类。
7.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤六中，将训练集输入到所提出的网络模型中进行训练，批处理大小设置为64，学习率为1e-4，训练轮数设置为50，将交叉熵损失用于网络的训练中，直到网络趋于收敛，得到行星齿轮箱的故障状态识别模型。
8.根据权利要求1所述的基于CNN和Transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤七中，将测试集输入到步骤六中训练好的模型之中进行训练，获取行星齿轮箱故障信号最终的诊断结果。
...【技术特征摘要】
1.基于cnn和transformer联合的行星齿轮箱故障诊断方法，其特征在于：包含以下的步骤：
2.根据权利要求1所述的基于cnn和transformer联合的行星齿轮箱故障诊断方法，其特征在于：在步骤一中，包括以下步骤，(1a)对采集到的不同故障状态下行星齿轮箱的一维振动信号进行预处理，采用滑动窗口的方式将数据集分割为等长度的序列，将两个连续分割长度进行50%的重叠，其目的是防止数据分割之后边缘信息的丢失；(1b)分别为每种不同的故障类型打上标签，并打乱数据，按照7：3的比例划分训练集和测试集；(1c)对数据进行归一化处理。
3.根据权利要求1所述的基于cnn和transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤二中，所建立的残差收缩模块是由残差单元和软阈值函数组合而成，软阈值函数可以将绝对值低于所设定阈值的特征设置为零并调整其它特征趋于零，从而达到降噪的目的。软阈值的输入与输出之间满足下列关系式：
4.根据权利要求1所述的基于cnn和transformer联合的行星齿轮箱故障诊断方法，其特征在于：步骤三中，将降噪后的数据通过格拉姆角场编码为二维图像，是因为卷积神经网络更擅长从二维图像中学习特征，因此将一维数据转换为二维图像作为后续卷积神经网络的输入，且格拉姆角场可以保留信号在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。