【技術實現步驟摘要】
本專利技術屬于機器故障診斷，尤其是涉及一種基于多尺度時空融合的軸承故障診斷方法、設備和介質。
技術介紹
1、機器設備的正常運行是確保生產效率和安全的基礎，而關鍵機器部件的故障可能導致設備無法正常運轉，嚴重時甚至會引發停機事故，不僅造成設備的物理損傷，還可能導致生產停滯、經濟損失，甚至可能危及人身安全。因此，確保設備運行的穩定性與可靠性，已經成為現代工業管理和運行維護中的核心議題。在各類機器設備中，軸承廣泛應用于工業、交通、能源、航空航天等多個領域，其質量與性能直接影響到旋轉機械的穩定性和效率。由于軸承在設備中起到關鍵作用，其損壞會對機器整體的運行帶來連鎖反應。因此，如何實現準確、及時的軸承故障檢測，以保證其運行的可靠性和安全性，是當前工業領域中至關重要的技術問題。
2、基于機器學習的故障診斷模型可以輔助設備維護人員進行軸承故障檢測，盡管該技術具有顯著的潛力和優勢，但目前還有以下缺陷：
3、1.傳統的信號預處理方法通常依賴于單一的頻率或時間分析技術，如傅里葉變換或小波變換，難以在不同尺度上有效提取故障信號中的豐富特征以及在復雜環境中準確分離時頻特征，尤其在低信噪比和存在噪聲的情況下，影響了故障識別的精度和魯棒性。
4、2.常見的故障檢測模型將一維信號轉化為二維圖片后再進行處理，增加了特征復雜度，且轉換過程中可能丟失一些重要的時序信息。這種二維化的處理方式使模型難以保持對原始信號細節的精確捕捉，導致在模型訓練過程中誤差增大，難以獲得高效的特征表達。
5、3.現有故障診斷模型多基于rnn
6、因此，需要設計一種新型的軸承故障診斷方法，以高效獲得準確的診斷結果。
技術實現思路
1、本專利技術的目的就是為了克服上述現有技術存在的缺陷而提供一種基于多尺度時空融合的軸承故障診斷方法、設備和介質，可以高效獲得準確的診斷結果。
2、本專利技術的目的可以通過以下技術方案來實現：
3、本專利技術提供一種基于多尺度時空融合的軸承故障診斷方法，包括以下步驟：
4、獲取軸承狀態數據，進行預處理和綜合特征提取后輸入訓練好的基于多尺度時空融合的軸承故障診斷模型，獲得相應的故障診斷結果；
5、所述綜合特征提取基于快速傅里葉變換和變分模態分解進行；所述基于多尺度時空融合的軸承故障診斷模型中，首先將綜合特征輸入swintransformer，通過窗口注意力機制提取局部特征，同時將綜合特征輸入基于全局上下文注意力機制的tcn網絡，提取全局特征；然后，將所述局部特征和所述全局特征通過自適應平均池化進行融合；最后，根據融合特征輸出軸承的故障概率。
6、進一步地，所述綜合特征提取的具體過程如下：
7、s11、對輸入信號進行快速傅里葉變換，獲得輸入信號的整體頻域特征，計算公式為：
8、
9、其中，x(f)為頻域信號，x(n)為經過濾波的時域信號，n為采樣點數；
10、s12、對輸入信號進行變分模態分解，提取各個頻段的信號成分，獲得輸入信號各個頻段的時頻特征，所述變分模態分解的優化目標具體為：
11、
12、其中，k為模態數量，uk為第k個模態信號，ωk為uk的中心頻率，α為正則化參數；
13、s13、將輸入信號的整體頻域特征和輸入信號各個頻段的時頻特征進行結合，生成綜合特征集：
14、xstacked＝[xfft,u1,u2,…,uk]
15、其中，xstacked為堆疊后的特征矩陣。
16、進一步地，所述基于全局上下文注意力機制的tcn網絡的數據處理過程具體如下：
17、s21、通過tcn網絡處理輸入數據：
18、
19、其中，xt-l和yt分別為輸入和輸出，t表示時刻，l為卷積核長度，wl為卷積核；
20、s22、采用全局上下文注意力機制聚合全局信息：
21、
22、其中，αj為全局注意力池的權重，yi表示輸入序列的第i個位置的特征，即tcn輸出的第i個位置特征，zi表示輸出序列第i個位置的特征，δ(·)表示瓶頸變換，np為輸入序列的長度。
23、進一步地，瓶頸變換δ(·)的具體表達式如下：
24、δ(·)＝wv2relu(ln(wv1(·)))
25、其中，wv2為一個線性變換的權重矩陣，用于將輸入映射到一個隱層空間，wv1為一個線性變換的權重矩陣，用于將映射到隱層空間的輸入映射回原始空間或另一個目標空間，ln為層歸一化，relu為激活函數。
26、進一步地，全局注意力池的權重αj的具體表達式如下：
27、
28、其中，wk為全局注意力機制中的線性變換權重，用于對輸入特征xj進行投影，計算其在全局上下文中的重要性。
29、進一步地，通過最小化損失函數訓練所述基于多尺度時空融合的軸承故障診斷模型。
30、進一步地，所述損失函數的具體公式如下：
31、
32、其中，n為樣本數量，k為類別數量，yic為樣本目標值的one-hot編碼，hθ(xi)c為觀測樣本xi屬于類別c的預測概率。
33、進一步地，訓練所述基于多尺度時空融合的軸承故障診斷模型時，所述預處理的具體過程如下：
34、獲取軸承狀態數據集，進行歸一化處理，然后按照設定的時間步長和重疊率切分樣本點，并按設定比例劃分為訓練集、驗證集、測試集。
35、本專利技術還提供一種電子設備，包括存儲器、處理器，以及存儲于所述存儲器中的程序，所述處理器執行所述程序時實現上述方法。
36、本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現上述方法。
37、與現有技術相比，本專利技術具有以下有益效果：
38、1、本專利技術提出了一種基于多尺度時空融合的軸承故障診斷方法，對獲取的軸承狀態數據進行預處理和綜合特征提取，然后輸入訓練好的基于多尺度時空融合的軸承故障診斷模型，獲得相應的故障診斷結果；綜合特征提取基于快速傅里葉變換和變分模態分解進行，其中，通過快速傅里葉變換可以獲得輸入信號的整體頻域特征，通過變分模態分解可以獲得輸入信號各個頻段的時頻特征，結合上述兩種方式能夠挖掘輸入信號中的多尺度特征；基于多尺度時空融合的軸承故障診斷模型中，首先將綜合特征輸入swintransformer，通過窗口注意力機制提取局部特征，同時將綜合特征輸入基于全局上下文注意力機制的tcn網絡提取全局特征，通過上述設計可以提升模型對長序列信息的捕捉能力；然后，將局部特征和全局特征通過自適應平均池化進行融合，使模型能夠更好地融合不同層次的特征表示，提高模型性能和泛化能力；最后，根據融合特征輸出軸承的故障概率；通過上述方法可以高效本文檔來自技高網...
【技術保護點】
1.一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，所述綜合特征提取的具體過程如下：
3.根據權利要求1所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，所述基于全局上下文注意力機制的TCN網絡的數據處理過程具體如下：
4.根據權利要求3所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，瓶頸變換δ(·)的具體表達式如下：
5.根據權利要求3所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，全局注意力池的權重αj的具體表達式如下：
6.根據權利要求1所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，通過最小化損失函數訓練所述基于多尺度時空融合的軸承故障診斷模型。
7.根據權利要求6所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，所述損失函數的具體公式如下：
8.根據權利要求1所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，訓練所述基于多尺
9.一種電子設備，包括存儲器、處理器，以及存儲于所述存儲器中的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-8中任一所述的方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現如權利要求1-8中任一所述的方法。
...【技術特征摘要】
1.一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，所述綜合特征提取的具體過程如下：
3.根據權利要求1所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，所述基于全局上下文注意力機制的tcn網絡的數據處理過程具體如下：
4.根據權利要求3所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，瓶頸變換δ(·)的具體表達式如下：
5.根據權利要求3所述的一種基于多尺度時空融合的軸承故障診斷方法，其特征在于，全局注意力池的權重αj的具體表達式如下：
6.根據權利要求1所述的一種基于多尺度時空融合的軸...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。