[发明专利]一种二叉树滤波器Transformer模型及其用于轴承故障诊断的方法

说明书

本发明提供了一种二叉树滤波器Transformer模型及其轴承故障诊断应用，其中对Transformer模型中的分词器部分，通过引入二叉树滤波器进行改进，使得改进后的Transformer模型能够提取振动信号，进而使用本发明二叉树滤波器Transformer模型进行轴承故障检测时，对于输入的振动信号，本发明能够有效提取出多个频带，并按照频率从小到大排序，从而对不同频带下的信息有效表征，最终取得更好衡量故障信息的有益效果。此外，相比传统的卷积神经网络和循环神经网络，Transformer模型能够很好地给予不同频带的权重从而得到更精准的识别率。

技术领域

本发明属于深度学习技术领域以及机械故障诊断技术领域，具体涉及一种二叉树滤波器Transformer模型及其用于轴承故障诊断的方法。

背景技术

滚动轴承作为旋转机械最广泛使用的零部件之一，常常在高速、高负载条件下运行，一旦发生故障，便会带来难以预计的灾难。对轴承及时进行故障诊断、制定合适的维修策略，从而有效减小无效开支并提高维修效率，是轴承养护工作的至关重点。因此，如何对滚动轴承进行有效的故障诊断，具有重要的现实意义。

滚动轴承的故障类型及其严重程度，会反映在其振动信号上；因而目前已有一些研究工作利用振动信号来进行故障诊断，以此识别出轴承(主要是滚子、内圈和外圈)的故障状态。但随着机械设备的复杂程度日益增加，以及振动信号的非平稳性、非线性的特点，导致从振动信号中提取出具有代表性的关键特征信息变得较为困难。

随着机器深度学习技术的发展，利用深度学习模型提取特征信息成为当下一种较为有效的手段。而对于基于振动信号的故障诊断领域，当前还缺乏一种较为有效的深度学习模型。

发明内容

针对现有技术中存在的不足，本发明提供了一种二叉树滤波器Transformer模型及其用于轴承故障诊断的方法，用以解决滚动轴承故障的精确诊断问题。

本发明通过以下技术手段实现上述技术目的。

一种二叉树滤波器Transformer模型，其特征在于：包括分词器、编码器和分类器，其中通过分词器提取振动信号，得到序列z₁，之后序列z₁依次经由编码器和分类器处理得到输出结果；

所述分词器中设有一个二叉树滤波器组：

其中h(n)为标准低通滤波器，截止频率ε≥0；j是虚数单位，h_L(n)的频带范围是[0，1/4F_s]，h_H(n)的频带范围是[1/4F_s，1/2F_s]，F_s为采样频率；

对于输入的信号x(n)，所述分词器包括如下处理步骤：

S1，利用所述二叉树滤波器组将信号x(n)分解出k层，其中k为log2(n)的取整；

S2，对第k层的所有子信号取实部，之后计算均方根

S3，根据获取片段信息S和位置信息K，并求出序列z₁：

E_A＝embed(S,W_S)

E_K＝embed(K,W_P)

其中d_model为嵌入维数，Y＝embed(X,W)表示根据X和W，拓展Y的维度。