摘要

由于基于循环神经网络的故障诊断方法在计算过程中难以保存间隔时间过长的信息,无法并行计算,在大型数据建模方面存在不足。为使轴承故障诊断工作更加准确与高效,本文提出了一种基于短时傅里叶变换时频图与视觉Transformer(Vision Transformer,ViT)的轴承故障诊断方法。首先通过短时傅里叶变换将原始振动信号转换为二维时频图像,然后将时频图作为特征图输入到ViT网络进行训练,通过详细分析网络参数对故障诊断性能和计算复杂度的影响,构建了最优模型结构,进而实现轴承的故障诊断。采用凯斯西储大学与江南大学轴承数据对模型进行验证,结果表明该模型可以有效结合短时傅里叶变换在处理时变信号方面的优势和ViT网络强大的图像分类能力,和其他深度学习方法相比,具有更高的诊断精度和更好的泛化性、通用性。

  • 单位
    洛阳理工学院