关键词:
E-Transformer
轴承
故障诊断
变工况
多头注意力机制
信号表征
摘要:
轴承是旋转机械的重要零件,其健康状态直接影响到工业设备的运行稳定性。同时,由于轴承本身结构特性和工作环境等原因,极易发生损伤和损坏。因此,对轴承状态进行有效的故障诊断,对于保障设备和人员安全性、减少维修成本、降低停机时间具有重要的意义。尽管,基于数据驱动的深度学习模型在轴承故障诊断领域取得了巨大的成功,但大多数是基于不变工况下的,意味着训练数据和测试数据必须遵从相同或相似的分布。然而,机械设备通常需要在不同工况下运行,训练数据和测试数据会产生分布偏移,导致模型的测试诊断精度显著下降,严重限制了基于深度学习故障诊断模型的应用。为此,提出了一种针对变工况条件的轴承故障诊断模型——E-Transformer。该模型首先利用信号嵌入完成对一维信号的分割和高维表示,在高维空间里丰富信息,然后通过多头注意力机制对嵌入的子信号进一步处理,寻找信号在不同空间里的状态特征并深度表征。经凯斯西储大学轴承数据集验证,该模型诊断准确率优于其他几种先进的深度学习方法。