1.一种基于MSDC-Swin-T的齿轮箱故障诊断方法,其特征在于,包括如下步骤:S1、获取齿轮箱的一维振动信号;
S2、对所述一维振动信号进行预处理;
S3、将预处理后的一维振动信号输入至训练好的MSDC-Swin-T诊断模型中进行故障诊断,输出齿轮箱故障诊断结果;
所述MSDC-Swin-T诊断模型包括多尺度卷积令牌嵌入模块、Swin-Transformer模块和softmax分类器;
所述步骤S3具体包括:
S31、采用多尺度卷积令牌嵌入模块对预处理后的一维振动信号进行处理,获得特征图;
S32、通过所述Swin-Transformer模块对所述特征图进行处理,获得输出特征;
S33、采用softmax分类器对所述输出特征进行故障特征映射处理,获得齿轮箱故障诊断结果;
所述步骤S31具体包括:
S311、采用扩张卷积对预处理后的一维振动信号进行特征提取,获得多个低阶局部特征;分别使用扩张率为1、2和5的扩张卷积进行低阶局部特征提取,其中扩张卷积的尺寸为3,通道数为96;
S312、对每个所述低阶局部特征进行标准化和激活函数ReLU处理;
S313、采用坐标重建注意力机制学习每个低阶局部特征的内在相关性,获得坐标重建注意力机制输出特征;
S314、对坐标重建注意力机制输出特征进行融合处理;
S315、基于融合处理后的坐标重建注意力机制输出特征,获得特征图;
所述步骤S313具体包括:
利用全局最大池化压缩低阶局部特征的维度,获得第c个通道的输出特征;
将第c个通道的输出特征与第c个通道的输入特征相连接并进行卷积融合处理,获得融合特征;
采用自适应sigmoid激活函数对融合特征进行权重优化;
通过卷积操作和sigmoid激活函数对权重优化后的融合特征进行线性变换,获得线性变换特征;
将线性变换特征与第c个通道的输入特征进行残差连接,获得坐标重建注意力机制输出特征;
所述采用自适应sigmoid激活函数对融合特征进行权重优化,包括:首先使用1×1卷积层对上述融合特征进行线性变换,用于规范化卷积输出;然后通过两个可学习权重矩阵,与线性变换后的融合特征做点乘运算。
2.根据权利要求1所述的一种基于MSDC-Swin-T的齿轮箱故障诊断方法,其特征在于,所述步骤S2具体包括:S21、对所述一维振动信号进行归一化处理;
S22、将归一化处理后的一维振动信号转换为二维灰度图。
3.根据权利要求2所述的一种基于MSDC-Swin-T的齿轮箱故障诊断方法,其特征在于,所述S22具体包括:采用预设大小尺寸的滑动窗口对归一化处理后的一维振动信号进行等长截取;将截取到的数据段等分为n份,每份包含n个数据点;对n份数据段进行重构,获得二维灰度图。
4.根据权利要求1所述的一种基于MSDC-Swin-T的齿轮箱故障诊断方法,其特征在于,所述步骤S32具体包括:S321、对所述特征图进行切片划分,获得多个子特征图;
S322、将所述多个子特征图以并行方式输入到Swin-Transformer模块的多头自注意力模块中,经过多个线性层和缩放点积运算,获得多组输出特征图;
S323、将所述多组输出特征图进行融合处理,获得输出特征。
5.根据权利要求4所述的一种基于MSDC-Swin-T的齿轮箱故障诊断方法,其特征在于,所述多头自注意力模块的输入为多个查询矩阵、健矩阵和值矩阵;所述查询矩阵、健矩阵和值矩阵均为固定的单个值。
6.根据权利要求1所述的一种基于MSDC-Swin-T的齿轮箱故障诊断方法,还包括:所述MSDC-Swin-T诊断模型在训练过程中,采用Radam优化器进行权值参数优化,具体包括:初始化Radam优化器的一阶矩估计和二阶矩估计的初始值;
将训练样本集输入到MSDC-Swin-T诊断模型中,进行诊断模型参数的训练和学习;在诊断模型参数的训练和学习过程中,通过Radam优化器调整每个诊断模型参数的学习率;获得更新后的一阶矩估计值和更新后的二阶矩估计值;
根据更新后的一阶矩估计值和更新后的二阶矩估计值,获得Radam优化器更新后的权值。
7.根据权利要求6所述的一种基于MSDC-Swin-T的齿轮箱故障诊断方法,还包括:在采用Radam优化器进行权值参数优化过程中,需要判断MSDC-Swin-T诊断模型是否收敛;具体包括:若随着MSDC-Swin-T诊断模型训练迭代次数的增加,MSDC-Swin-T诊断模型的诊断准确率达到平稳时,判定MSDC-Swin-T诊断模型已经收敛;此时结束MSDC-Swin-T诊断模型的训练,并保存最佳诊断模型参数。