CN119293589B 一种基于SEFormer的轻量级旋转机械故障诊断方法 （南京航空航天大学）

FaultDiagnosisMethodBasedSensorFusionandEAccess.2023,第11卷106443-106455.LightweightCNN-TransformerBasedConvolutionandEfficientSelf-AforRotatingMachineDiagnosis.Computers,Materialsand一种基于SEFormer的轻量级旋转机械故障一种基于SEFormer的轻量级旋转机械故障卷积SMDC和高效自注意力ESA，构建SEFormer模2采集旋转机械的关键传动部件各种健康状态下的在需要诊断的旋转机械传动部件附近的不同位置或方向安装至少1个传感器，使用数步骤三中，所述SEFormer模型由多个特征提取层和一首先，利用可分离多尺度深度卷积SMDC从振动信号的不同通道维最后，采用批量归一化BN和高斯误差线性单元GELU稳定特征分布和执行非线性映射，积核的大小，veRci表示深度卷积核kl的权重，表示深度卷积核kl的输出，首先，为了扩展每个特征的表示能力并减少计算，利用三个并行的深度可分离卷积3然后，将Softmax作为适合高效注意力Efficientattentio示时间维度和通道维度，(·)T和·分别表示矩阵转置和矩阵乘法，SoftmaxL(·)和和W2分别表示第一层和第二层线性变换的权重，b1和b2分别表示第42.根据权利要求1所述的一种基于SEFormer的轻量级旋转机械故障诊断方法，其特征3.根据权利要求1所述的一种基于SEFormer的轻量级旋转机械故障诊断方法，其特征用AdamW优化算法更新模型参数，并根据验证集的损失使用自适应衰减策略动态调整学习5为故障诊断领域的研究热点。尤其是基于卷积神经网络CNN的方法在各种故障诊断任务中比和高效自注意力ESA模块，基于这两个模块构建了一种轻量级的SEFormer模型用于旋转机6[0009]与专利CN117113170A“一种基于多尺度信息融合的轻量化旋转机械故障诊断方者对振动信号的数据预处理方式存在本质区[0017]在需要诊断的旋转机械传动部件附近的不同位置或方向安装至少1个传感器，使7[0035]首先，利用不同核大小的并行多尺度深度卷积提取振动信号的多局部感受野特8}表示第l层批量大小为N的输入特征图，hl(n)＝{h1l[0063]进一步，所述SEFormer模型的训练采用多分类交叉熵损采用AdamW优化算法更新模型参数，并根据验证集的损失使用自适应衰减策略动态调整学[0065](1)设计了一种可分离多尺度深度卷积SMDC从振动信号的不同通道维度提取和整[0067](3)基于可分离多尺度深度卷积SMDC和高效自注意力ESA，构建了一种兼具鲁棒9[0078]在本实施例中，每种健康状态的振动信号通过滑动窗口采样分割为1200个样度深度卷积提取振动信号的多局部感受野特征。然后，将多尺度特征沿通道维度拼接归一化操作，对矩阵Q在时间维度上进行Softmax归一化，对矩阵K在通道维度上进行}表示第l层批量大小为N的输入特征图，hl(n)＝{h1l用逐点卷积PConv在通道维度上整合特征。然后，采用批量归一化BN和高斯误差线性单元gg[0107]在本实施例中，选择了七个现有的先进模型与所述SEFormer模型进行对比分析，包括三个基于CNN_Transformer的端到端故障诊断模型，分别为LiConvFormer、采用参数量Params和浮点运算次数FLOPs作为模型计算复杂度的评估指标。不同噪声等级下所有模型的诊断准确率和模型计算复杂度如下表3范围内捕捉振动信号的关键细粒度特征；(3)基于可分离多尺度深度卷积SMDC和高效自注