本技术公开了结合自适应空间注意力和补丁特征加权的ViT跨域故障诊断方法,具体按照如下步骤实施:步骤1,从公共数据集中获取不同故障类型的原始振动故障信号;步骤2,对步骤1获取的原始振动故障信号进行预处理;步骤3,建立用于机械装备故障检测的CpcsViT模型;步骤4,将步骤2经过预处理的原始振动故障信号出入到步骤3建立的CpcsViT模型中,设置训练参数,对CpcsViT模型进行训练;步骤5,使用训练后的模型进行故障诊断。本发明解决了现有技术中存在的机械装备故障检测任务中检测准确率低的问题。
背景技术
现有的机械装备故障检测方法通常依赖于传统的卷积神经网络(CNN)或基于手工特征的机器学习方法。随着深度学习技术的发展,视觉变换器(Vision Transformer,ViT)模型因其在图像分类任务中的成功应用,逐渐成为一种有效的特征提取工具。
虽然ViT模型在处理图像信息时具有较强的表现力,但在机械装备故障检测任务中,如何有效地捕捉局部区域和全局特征之间的关系仍然是一个挑战,现有的ViT模型往往忽视了轴承故障图像中的多尺度信息和区域特征的重要性,导致在机械装备故障检测任务中的表现不尽人意,准确率低。
实现思路