关键词:
轴承
齿轮
故障诊断
深度学习
声振融合
摘要:
轴承和齿轮作为旋转设备的核心部件,其运行状态直接影响设备的安全性和经济性。本文将声音信号与振动信号的特征相结合,针对轴承和齿轮故障诊断问题开展研究,提出了基于特征级数据融合的故障诊断方法,主要内容如下:
(1)针对特征级数据融合中因直接拼接特征而导致的信息冗余问题,提出一种以CNN-Transformer Encoder Fusion(CTEF)为核心模块的频域拼接融合模型(Frequency Domain Splicing Fusion Model,FSFM),模型中CTEF可有效弥补注意力机制中偏差信息的不足,缓解双模态数据融合过程中的信息冗余问题,并通过分类token机制,实现故障的高效分类。
(2)针对双模态数据独立训练子模型时,模型引入数据融合交互机制可能导致计算复杂度增加问题,提出一种基于bottleneck-retention及ViT(Vision Transformer)故障诊断模型(Recurrent-Bottleneck-ViT,RBVT)。RBVT为基于tokens的信息融合的模型,模型利用瓶颈交互机制提升子模型训练过程中的信息交互效率,并使用Ret层有效提升全局特征在故障诊断中的参与度,提高故障诊断率。
(3)借用语音识别大模型的强表征学习能力,提出一种基于预训练语音识别大模型与轻量级分类器协同的故障诊断方法。该方法使用预训练模型提高了特征提取效率和抗噪性能,并结合逻辑均值层降低特征的参数量,仅需通过训练轻量级分类器即可实现模型的快速收敛与数据拟合,在不同数据集上均验证了本方法的有效性。