[发明专利]基于Transformer神经网络的农机轴承故障类型诊断方法及系统

权利要求书

1.一种基于Transformer神经网络的农机轴承故障类型诊断方法，其特征在于，所述方法包括：

利用振动加速度传感器采集农机轴承不同测点位置的轴承振动信号；

将所述轴承振动信号通过本地局域网传输至本地计算模块，利用时频域特征提取技术和频域特征提取技术对所述轴承振动信号进行特征提取以得到农机轴承特征数据；

压缩所述农机轴承特征数据，将压缩后的农机轴承特征数据经无线网传输至远端计算中心；

将所述农机轴承特征数据输入到所述远端计算中心的基于Transformer神经网络的农机轴承故障类型诊断模型进行诊断，输出农机轴承的故障类型。

2.根据权利要求1所述的农机轴承故障类型诊断方法，其特征在于，所述利用时频域特征提取技术和频域特征提取技术对所述轴承振动信号进行特征提取以得到农机轴承特征数据，包括：

利用小波包变换法对所述轴承振动信号进行6层分解，将第6层所述轴承振动信号频带能量作为所述农机轴承特征数据的时频域特征数据；

利用快速傅里叶变换对所述轴承振动信号提取的时频域特征进行频域分解，得到所述农机轴承特征数据的频域特征数据。

3.根据权利要求2所述的农机轴承故障类型诊断方法，其特征在于，

所述农机轴承特征数据的时频域特征数据和频域特征数据组合成农机轴承特征数据的前向特征矩阵；

所述农机轴承特征数据的前向特征矩阵经变换得到所述农机轴承特征数据的后向特征矩阵。

4.根据权利要求3所述的农机轴承故障类型诊断方法，其特征在于，

农机轴承特征数据的前向特征矩阵到所述农机轴承特征数据的后向特征矩阵的变换公式为：

式中，n为每个时频域的点数，N为小波基函数分解层数。

5.根据权利要求3所述的农机轴承故障类型诊断方法，其特征在于，所述基于Transformer神经网络的农机轴承故障类型诊断模型，包括：归一化位置编码层、前向数据Transformer处理层、后向数据Transformer处理层和全连接层；

所述归一化位置编码层，用于保留所述农机轴承特征数据的位置编码信息；

所述前向数据Transformer处理层，用于处理所述农机轴承特征数据的前向特征数据；

所述后向数据Transformer处理层，用于处理所述农机轴承特征数据的后向特征数据；

所述全连接层，用于将经过前向数据Transformer处理层和后向数据Transformer处理层处理的前向特征数据和后向特征数据进行非线性映射，得到农机轴承故障诊断类型。

6.根据权利要求3所述的农机轴承故障类型诊断方法，其特征在于，所述前向数据Transformer处理层和后向数据Transformer处理层的结构相同，分别由包括多头自注意力机制子层和一维卷积子层的网络层组成。

7.根据权利要求3所述的农机轴承故障类型诊断方法，其特征在于，所述将所述农机轴承特征数据输入到所述远端计算中心的基于Transformer神经网络的农机轴承故障类型诊断模型进行诊断，输出农机轴承的故障类型，包括：

将所述农机轴承特征数据的前向特征数据和归一化位置编码层保留的位置编码叠加形成带有位置编码信息的前向特征数据输入到所述前向数据Transformer处理层；

将所述农机轴承特征数据的后向特征数据和归一化位置编码层保留的位置编码叠加形成带有位置编码信息的前向特征数据输入到所述后向数据Transformer处理层；

将经过前向数据Transformer处理层处理的前向特征数据和后向数据Transformer处理层处理的后向特征数据输入到全连接层，经所述全连接层的非线性映射处理，得到农机轴承故障诊断类型。

8.根据权利要求1所述的农机轴承故障类型诊断方法，其特征在于，在基于Transformer神经网络的农机轴承故障类型诊断模型的训练过程中采用错误样本权重增强机制增强所述农机轴承故障类型诊断模型的鲁棒性。

9.一种基于Transformer神经网络的农机轴承故障类型诊断系统，其特征在于，所述系统包括：

轴承振动信号采集模块，用于利用振动加速度传感器采集农机轴承不同测点位置的轴承振动信号；

农机轴承特征数据提取模块，用于将所述轴承振动信号通过本地局域网传输至本地计算模块，利用时频域特征提取技术和频域特征提取技术对所述轴承振动信号进行特征提取以得到农机轴承特征数据；

农机轴承特征数据压缩模块，用于压缩所述农机轴承特征数据，将压缩后的农机轴承特征数据经无线网传输至远端计算中心；

农机轴承故障类型诊断模型，用于将所述农机轴承特征数据输入到所述远端计算中心的基于Transformer神经网络的农机轴承故障类型诊断模型进行诊断，输出农机轴承的故障类型。