[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

说明书

本公开的基于Transformer神经网络的农机轴承故障类型诊断方法及系统，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。能够准确诊断出农机轴承故障类型，弥补目前农机故障诊断技术不够成熟的不足。

技术领域

本发明属于农机设备运行状态分析技术领域，涉及一种基于Transformer神经网络的农机轴承故障类型诊断方法及系统。

背景技术

农机轴承作为农机设备的重要组成部分，其具备健康的运行状态是农机设备正常运行的基础。然而，在实际工程应用中，农机轴承经常会由于长时间运行或者处于恶劣的环境而出现各种故障，如塑形变形等，故障严重时会导致整个轴承烧毁，甚至导致农机机械设备的损坏。但是在对农机轴承的日常维护中，对于出现损伤的轴承往往进行整体替换，无法针对具体的故障部位进行有效更换，在频繁维修时会造成轴承的浪费和巨大的经济损失。因此，本文针对上述问题对农机设备中常见的农机轴承故障进行具体分析，为农机轴承的维护和保养提供有力保障。

基于以上需求，展开对农机轴承故障类型诊断的研究。现有研究方法中，有很多方法实现了农机轴承故障类型检测。比如使用支持向量机的方法，其属于早期的机器学习算法，对样本量的需求相对较少，传统数据模式下能取得较好的效果，但是在物联网和大数据时代，样本量剧增，支持向量机算法由于其轻量化的设计难以再提高算法的准确度，而在这样的背景下，需要更复杂的方法结合大量数据来提高算法的准确性。在物联网、大数据、人工智能技术快速发展的时代，为农机轴承的故障类型识别提供了大数据量和智能化处理的基本保证，有研究者使用深度神经网络进行农机轴承故障诊断，但是深度神经网络存在参数膨胀的问题，导致其工程应用性不强。也有研究者使用卷积神经网络进行农机轴承的故障诊断，但是其对于输入时间序列的远距离特征捕获能力较差，远距离捕获能力是提升模型性能的有效手段，而增加其远距离特征捕获能力的代价是增加神经网络的深度，无疑进一步增加了算法的复杂度。为了有效解决神经网络的远距离捕获能力，长短时记忆循环神经网络被提出，并且已经被用于进行农机轴承的故障诊断，其具有强大的时间序列远距离特征捕获能力得益于它的长短时记忆结构和循环处理结构，但是这种结构使它很难做到并行计算，导致算法的时间效率低，因此在工程中应用的并不多。

发明内容

本发明克服了现有技术的不足之一，提供了一种基于Transformer神经网络的农机轴承故障类型诊断方法及系统，能够准确诊断出农机轴承故障类型，弥补目前农机故障诊断技术不够成熟的不足。

根据本公开的一方面，本发明提供一种基于Transformer神经网络的农机轴承故障类型诊断方法，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。

在一种可能的实现方式中，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；