CN119494033A 一种基于Swin-TCN集成模型的滚动轴承故障诊断方法 （中国计量大学）

一种基于Swin-TCN集成模型的滚动轴承故本发明提出了一种基于Swin_TCN集成模型准确性。该方法首先通过快速傅里叶变换(FFT)和变分模态分解(VMD)提取一维振动信号的时频Transformer分支网络，前者利用通道注意力机2S1：收集滚动轴承在正常状态和各种故障状态下S11:采用加速度传感器采集滚动轴承在不同故障类S12:将采集的数据分割成多个样本，每个样本包含S23:将FFT和VMD提取的多尺度特征堆叠融合后S31:搭建Swin_TCN集成模型，该模型包括SE_TCN分支网络SwinTransformer分支网络，包括PatchPartition模块和4个个SwinTransformerBlockSE_TCN分支网络和SwinTransformer分支网络提取出的特征经过自适应平均池化层3是这些传统的机器学习模型对关键信息的感知能力弱，导致最终故障诊断结果准确性不高。基于这些问题本发明提出在一是在数据预处理阶段通过结合快速傅里叶变换(FFT)和4[0020]通过对训练集、验证集和测试集中的每个样本进行VMD(变分模态分解)和FFT(快[0023]SwinTransformer分支网络所拥有的窗口注意力机制可以提取故障信号的局部特征。SwinTransformer分支网络包括PatchPartition模块和4个Stage，Stage1由1个LinearEmbeding模块和2个SwinTransformerBlock模块依次串联而成；Stage2由1个Merging模块和6个SwinTransformerBlock模块依次串联而成；Stage4由1个PatchMerging模块和2个SwinTransformerBlock模块依次串联[0024]基于通道注意力机制(SENet)优化的时间卷积网络(TCN)可以提取信号的全局时[0025]SE_TCN分支网络和SwinTransformer分支网络提取出的特征经过自适应平均池5[0030](2)本发明提出的Swin_TCN集成模型充分利用了SE_TCN分支网络的全局时域特征能力和SwinTransformer分支网络的局部特征提取能力，实现了对故障特征的全面提取，[0040]采用加速度传感器采集滚动轴承在不同故障类型下的一维振动信号，采集频率(内圈故障和外圈故障同时存在)这5种类型的1048560个振动信号数据(采样时间为[0041]通过公式(1)进行计算得出分割后的样本数，公式(1)中N是数据数(1048560)，[0049]通过对训练集、验证集和测试集中的每个样本进行VMD(变分模态分解)和FFT(快6[0052]SwinTransformer分支网络所拥有的窗口注意力机制可以提取故障信号的局部4个Stage，Stage1由1个LinearEmbeding模块和2个SwinTransformerBlock模块依次串联而成；Stage2由1个PatchMerging模块和2个SwinTransformerBlock模块依次串联而成；Stage3由1个PatchMerging模块和6个SwinTransformerBlock模块依次串联而成；Stage4由1个PatchMerging模块和2个SwinTransformerBlock模块[0054]结合附图1对SwinTransformer分支网络的整个流程进一步解释：输入的特征张的块(patches)。这些patches是后续窗口注意力机制操作的单元，Stage1由一个Linear由1个PatchMerging模块和2个SwinTransformerBlock模块组成，Stage2引入了Patch局部特征。后续的Stage3和Stage4继续使用PatchMerging模块和更多的Swin[0056]基于通道注意力机制(SENet)优化的时间卷积网络(TCN)可以提取信号的全局时个残差块内部由两个卷积层组(ConvGroup)和一个残差[0057]如附图3所示：SE_TCN分支网络中的卷积层组由膨胀卷积层(DilatedCausal7d是膨胀率。裁剪层确保卷积操作后的输出长度与输入长度一致。ReLU激活函数引入非线特征并抑制不重要的特征。Dropout层用于在训练过程中随机丢弃一部分神经元的激活信[0060]在SE_TCN分支网络中残差连接负责将输入数据和经过一系列卷积层组处理后的[0063]SE_TCN分支网络和SwinTransformer分支网络提取出的特征经过自适应平均池故障识别。8[