摘要
轴承故障诊断技术可以准确识别轴承故障状态，保障机械设备安全运转。但是轴承大多数情况下都是处于正常运转状态，难以收集到足够数量的轴承故障样本。所以，小样本轴承故障诊断问题是目前亟待解决的热点和难点问题。 解决小样本故障诊断问题最常用的方法是数据扩充后再进行故障分类。扩散模型（DiffusionModel，DM）是目前最为热门的深度生成模型，具有生成样本多样、训练过程简单等优点，而VisionTransformer在充足样本量下具有优秀的分类性能，本文以滚动轴承为研究对象，结合扩散模型和VisionTransformer开展研究。本文的主要研究内容如下： （1）针对小样本情形下难以准确进行故障诊断的问题，本文提出了一种基于扩散模型和重叠分块VisionTransformer（DiffusionModelandOverlapping-patchVisionTransformer，DM-OVT）的故障诊断方法。该方法首先在扩散模型中添加了坐标注意力机制（CoordinateAttention，CA），从而使得模型可以同时考虑通道信息和空间信息。在VisionTransformer的patch嵌入部分，DM-OVT先使用卷积层提取特征，然后使用重叠切片来提高每个patch之间的相关性。具体而言，DM-OVT首先使用短时傅里叶变换将一维信号转换为时频图。然后将其输入到扩散模型中，根据标签生成不同类别的时频图。最后，利用OVT对扩充后的数据进行分类。DM-OVT的有效性在多级离心风机数据集和凯斯西储大学轴承数据集上进行验证，结果表明该方法具有较好的分类效果。 （2）针对上述研究内容未能全面提取时频图特征的问题，本文根据时频图横向特征更为密集的特点，提出了一种横向切片方法Long-patchVisionTransformer（LVT），LVT设计了一种长方形的分块方法，可以更好地提取时频图的横向特征。针对时频图的横向特征，本文提出了一种基于扩散模型和LVT的小样本故障诊断方法。首先，对原始的一维振动信号进行短时傅里叶变换，将数据转换为时频图。其次，利用条件扩散模型生成所需类别的样本，扩充数据集。最后，利用本文提出的LVT对混合样本进行了分类。在两个数据集上验证了本文提出的方法，并与其他方法进行了比较，本文方法获得了最高的故障诊断准确度。 本研究探讨了在小样本轴承故障诊断任务中利用扩散模型和VisionTransformer的效果，提出了一种基于扩散模型和VisionTransformer的小样本轴承故障框架，并结合时频分析和分片策略，形成了一套小样本轴承故障诊断解决方案，通过实验验证其有效性。验证结果表明，所提方法在小样本轴承故障诊断任务中表现优异，可为实际工业生产中的小样本故障诊断问题提供理论依据和解决思路。
NETL