一种基于格拉米安角场和CNN-ViT的滚动轴承故障诊断的新方法

科学领域:

• 事物的工业互联网 (IIoT)
• 机器学习 机器学习
• 机械工程 机械工程

背景情况:

• 传统的故障诊断方法难以从复杂的振动信号中有效地提取特征.
• 在IIoT中的边缘计算需要高效和准确的故障诊断解决方案.

研究的目的:

• 提出一种新的滚动轴承故障诊断方法,集成格拉米安角场 (GAF),卷积神经网络 (CNN) 和视觉变压器 (ViT).
• 为了提高工业物联网 (IIoT) 应用程序的故障特征提取和诊断精度.

主要方法:

• 使用格拉米安角场 (GAF) 将1D振动信号转换为2D图像,以保存故障特征.
• 采用混合CNN和视觉变压器 (ViT) 模型来提取本地和全球图像特征.
• 在CWRU和XJTU-SY滚动轴承故障数据集上验证了该方法.

主要成果:

• 在CWRU数据集上达到99.79%的高平均准确率,在XJTU-SY数据集上达到99.63%.
• 与现有的几种故障诊断方法相比,在不同故障分类中表现出优异的性能.
• 综合GAF-CNN-ViT方法有效地提取和利用故障特征进行准确的诊断.

结论:

• 拟议的GAF-CNN-ViT方法为IIoT中的滚动轴承故障诊断提供了强大的和准确的解决方案.
• 该技术为边缘设备的复杂故障诊断任务提供可靠的技术支持.
• 该方法显示了提高工业机械运行安全性和效率的巨大潜力.