基于视觉变换器的振动信号轴承故障分类方法
计算机视觉与模式识别
2022-09-21 v2 信号处理
摘要
滚动轴承是旋转机械中最关键的部件。及时识别缺陷轴承可防止整个机械系统发生故障。由于机械零部件的快速发展，机械状态监测领域已进入大数据阶段。在处理大量数据时，人工特征提取方法存在效率低且不准确的缺点。近年来，数据驱动方法如深度学习方法已成功用于机械智能故障检测。早期研究多使用卷积神经网络（CNNs）来检测和识别轴承故障。然而，CNN模型存在难以处理故障时间信息的缺点，导致分类结果不足。在本研究中，使用最先进的视觉变换器（ViT）对轴承缺陷进行分类。采用凯斯西储大学（CWRU）轴承故障实验室实验数据对轴承缺陷进行分类。研究考虑了0负载情况下除正常轴承状态外的13种不同缺陷类型。利用短时傅里叶变换（STFT）将振动信号转换为二维时频图像。二维时频图像用作ViT的输入参数。该模型达到了98.8%的总体准确率。
引用
@article{arxiv.2208.07070,
title = {A Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals},
author = {Abid Hasan Zim and Aeyan Ashraf and Aquib Iqbal and Asad Malik and Minoru Kuribayashi},
journal= {arXiv preprint arXiv:2208.07070},
year = {2022}
}