摘要
旋转机械故障诊断是准确识别设备健康状态、保证其安全运行的重要手段。随着人工智能与物联网等技术在工业生产领域的广泛应用，数据驱动的机器学习理论方法在旋转机械故障诊断中的应用成为一大研究热点。近年来，以注意力机制为代表的Transformer神经网络展现出了强大的关键特征提取与识别能力，Transformer的兴起为旋转机械故障诊断技术提供了新思路。本文以滚动轴承为研究对象，以Transformer为理论基础，融合自监督学习理论和迁移学习理论对轴承智能故障诊断方法开展研究。本文的主要研究工作如下: (1)针对现有研究仅将注意力机制与深度网络结合使用，或用于替换这些深度网络的某些组件，导致注意力机制的特征提取能力受到限制等局限，提出一种基于纯注意力机制的SignalTransformer(SiT)的轴承故障诊断方法。在该方法中，首先对原始一维振动信号进行分片，引入了一种新的分片学习策略;其次，对分片后的子序列分别进行线性编码与位置编码;最后，将编码后的子序列馈送给Transformer进行特征提取以实现故障识别。利用美国凯斯西储大学电机轴承数据集以及自吸离心泵数据集对该方法的有效性进行了验证。与现有方法相比，所提方法在不做任何数据预处理的情况下能取得最高的平均诊断精度。结果表明，基于纯注意力机制的SiT能从原始振动信号中提取特征与识别故障，具有优越的诊断性能。 (2)针对构建Transformer诊断模型需要大量的标记数据，而实际工业过程中能获取的有标记数据少,导致Transformer在小数据集上容易产生过拟合、诊断精度低下等局限，提出一种基于自监督学习(Self-supervisedlearning)的Transformer(SSFormer)用于小样本条件下的轴承故障诊断。该方法能利用未标记样本在自监督学习的过程中挖掘故障信号的表征信息以及子序列之间的潜在关系来得到良好泛化参数的预训练模型，然后再利用少量的标记数据以监督学习的方式进行微调，以使SSFormer获得识别不同轴承故障类型的判别能力。所提方法在石化机组多级离心式风机数据集，美国凯斯西储大学电机轴承数据集上进行了充分的验证。实验表明，SSFormer能有效减少标记训练样本数量，与现有方法相比，SSFormer在小样本条件下诊断性能更优越。 (3)在前文研究的基础上，设计了一套基于Transformer的轴承故障诊断应用系统。该系统以EAIDK610嵌入式设备为硬件基础，并结合上述研究的两个Transformer轴承故障诊断算法设计了故障诊断软件。系统具有数据载入、故障诊断、数据上云、诊断结果可视化等多项功能，并支持在触摸显示屏中进行人机交互。系统测试结果显示，该系统响应快，故障诊断精度高，表明了Transformer故障诊断模型在嵌入式设备中应用的可行性，具有一定的实际应用价值。
NETL