摘要
旋转机械是现代工业的重要组成部分，航空、航天、船舶等诸多重要的工业领域都离不开旋转机械。由于高温、高压、重载的恶劣运行环境，轴承、齿轮等关键部件在运转过程中很容易出现故障，严重威胁设备的运行安全。因此，研究复杂信号以及多故障模式下旋转机械的故障诊断问题对提高设备运转的可靠性和安全性具有重要意义。本文以旋转机械中的关键部件为研究对象，基于Transformer开展故障诊断相关问题的研究，重点研究含噪声，少标签样本等严苛情形下旋转机械的故障诊断方法。具体的主要研究内容如下： 针对当前故障诊断研究中存在的对复杂系统不有效，并未完全解决长序列依赖等问题，提出了以注意力机制为核心特征提取器的时间序列Transformer模型。通过设计和引入时间序列分词，所提模型能够直接处理原始的振动信号数据。在多个实验数据集上的测试结果表明，时间序列Transformer模型具备良好的故障诊断性能，能够实现较高的故障诊断准确率。通过逐个调整模型超参数分别测试的方式，研究了模型中的主要超参数对模型的故障诊断性能，计算复杂度以及参数数量的影响，并给出了其影响规律。随后，与其他故障诊断方法的对比结果表明，所提出的时间序列Transformer模型能够在不添加额外预处理的前提下获得更高的测试准确率，证明了其有效性。最后，利用t随机临近嵌入的方法对特征向量进行了降维可视化分析，结果表明所提方法提取到的特征向量具备更好的类内聚集性和类间可分离性。 针对噪声干扰会使特征向量变得分散，从而导致模型的故障诊断性能降低的问题，基于度量学习发展了一种适用于含噪声情形的故障诊断方法。通过在训练过程中引入中心损失函数，改进了时间序列Transformer模型的训练方式。通过采用双优化器分别更新网络模型和中心损失的参数的方式，使得训练过程能够更加灵活地进行调整。在多个信噪比下，实验数据集上的测试结果显示，添加中心损失函数能够降低特征向量的类内距离，改善特征向量的类内聚集性，并提高模型对噪声干扰的鲁棒性。特征向量可视化的分析结果也显示，引入中心损失能够使得由于噪声干扰呈现出长条状分布的特征重新恢复为团簇状，相同故障模式的特征向量的类内聚集性获得了提升，进一步证明了所提方法的有效性。 针对有监督学习需要依赖大量有标签样本的不足，研究了少标签数据情形下旋转机械的故障诊断问题，提出了基于小波变换和自监督学习的故障诊断方法。以Transformer模型作为进行特征提取的编码器，通过在其顶部堆叠投影头的方式构建模型网络，用于输出伪标签的概率分布。随后，初始化两个具有相同结构但是不同参数的模型网络，分别称为教师网络和学生网络，并基于此建立“局部到整体对应”的前置任务用于自监督学习。最后，采用无标签自蒸馏算法训练模型网络，使其学习到可直接用于故障诊断的特征向量。此外，为了使编码器学习到更好的特征表示，采用小波变换技术对原始的振动信号数据进行了预处理，将其转换为了指定大小的时频图。在只含1%有标签样本的实验数据集中，所提方法达到了较高的故障诊断准确率，证明了其在少标签情形下故障诊断问题中的有效性。此外，研究了自监督学习过程中的模式坍塌问题，分别分析的中心化和尖锐化两种操作的作用，并给出了避免模式坍塌的方法。详细研究了无标签自蒸馏算法中的超参数对故障诊断性能的影响，给出了对应的影响规律。最后，考虑不同的编码器主干网络和训练范式，在两个实验数据集上进行了12组对比实验，结果表明所提方法具备最高的平均故障诊断准确率，进一步证明了其有效性。
NETL