基于时间序列 Transformer 的旋转机械故障诊断新方法
计算工程、金融与科学
2021-08-31 v1
摘要
旋转机械故障诊断是一个重要的工程问题。近年来，基于卷积神经网络（CNN）和循环神经网络（RNN）的故障诊断方法已趋于成熟，但 Transformer 尚未在故障诊断领域得到广泛应用。针对这些不足，提出一种基于时间序列 Transformer（TST）的新方法来识别轴承的故障模式。本文的贡献包括：首先，我们设计了一种能处理一维格式数据的令牌序列生成方法，即时间序列分词器（time series tokenizer）。随后，引入了结合时间序列分词器与 Transformer 的 TST。此外，在给定数据集上的测试结果表明，所提方法比传统 CNN 和 RNN 模型具有更好的故障识别能力。其次，通过实验详细分析了子序列长度和嵌入维度等结构超参数对 TST 故障诊断性能、计算复杂度和参数量的影响，得到了一些超参数的影响规律。最后，通过 t 分布随机邻域嵌入（t-SNE）降维方法，对嵌入空间中的特征向量进行可视化。在此基础上，在一定程度上解释了 TST 的工作模式。此外，通过分析特征向量的分布形式，我们发现与传统 CNN 和 RNN 模型相比，本文方法提取的特征向量表现出最佳的类内紧致性和类间可分性。这些结果进一步证明了所提方法的有效性。
引用
@article{arxiv.2108.12562,
title = {A new rotating machinery fault diagnosis method based on the Time Series Transformer},
author = {Yuhong Jin and Lei Hou and Yushu Chen},
journal= {arXiv preprint arXiv:2108.12562},
year = {2021}
}
备注
17 pages, 10 figures