简介:摘要:本研究探索了一种改进Wavlm 的轴承故障方法,以提升轴承故障诊断的准确性和鲁棒性。其中改为WaveNet 模型通过其深层因果卷积结构有效地捕获了时间序列数据中的复杂依赖关系,而Transformer 模型则基于自注意力机制实现了全局关系的建模能力。我们详细分析了两种模型的结合应用,设计了一种新的框架来有效地融合它们的优势。通过广泛的实验验证,我们展示了该方法在工业设备维护领域中的显著性能提升和实际应用潜力。
简介:
简介:为解决受背景噪声和信号传递路径等因素影响,轴承早期故障特征微弱,难以有效诊断出轴承故障的问题,提出了一种最大相关峭度解卷积(MaximumCorrelatedKurtosisDeconvolution,MCKD)结合冗余第二代小波包变换(RedundantSecondGenerationWaveletPackageTransform,RSGWPT)诊断轴承早期故障的方法。结果表明:该方法基于MCKD增强原始信号中存在的周期性冲击成分,以最大相关峭度为指标筛选RSGWPT小波包节点,能够凸显故障特征敏感频带,提取故障特征;通过分析车用变速器轴承内、外圈的早期故障数据发现,该方法能够清晰地诊断出轴承早期故障信息,验证了其有效性。