基于时频域图像和卷积神经网络的齿轮箱故障诊断方法与流程

1.本技术涉及故障诊断及机器学习技术领域，尤其涉及一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法。


背景技术：

2.作为机械设备中传动系统的关键部件，齿轮箱在航空航天、冶金机械、风力发电组等大型复杂装备中得到广泛应用。然而，受到长周期、高强度的连续工作状态以及恶劣工作环境等因素的影响，齿轮箱容易出现各种类型的故障，严重影响到整机可靠性，形成经济损失和安全风险。齿轮箱故障诊断技术对于整机设备的运行状态监测、预警以及后续维修具有重要意义。但是，由于齿轮箱结构复杂、运行工况多变、故障类型多样，因此齿轮箱故障诊断技术仍然存在一些挑战，例如如何快速准确地识别故障类型、如何提高故障诊断的准确率和稳定性等。
3.近年来，随着人工智能、机器学习等新技术的发展，齿轮箱故障诊断技术得到了迅速发展。针对齿轮箱的故障诊断技术通常包括三个主要步骤，特征提取、特征选择以及故障模式识别。其中，齿轮箱故障特征提取是指通过对传感器采集到的信号数据进行预处理和特征提取，获取能够表征故障状态的特征向量。齿轮箱故障特征选择是指从大量的特征向量中选择最具有代表性和区分度的特征，以减少数据维度和提高分类器性能。齿轮箱故障模式识别是指利用机器学习和人工智能等先进技术，建立高效可靠的故障识别模型，以实现对齿轮箱故障的自动检测和诊断。
4.周建华(周建华,郑攀,王帅星等.基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法[j].机械传动,2022,46(01):156-163.doi:10.16578/j.issn.1004.2539.2022.01.022.)等人提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。对原始信号进行连续小波变换获取小波时频图，对小波时频图进行统一处理和压缩。将处理好的小波时频图输入到卷积神经网络中进行分类识别，调整小波基函数和卷积神经网络参数，得到行星齿轮箱故障诊断模型。
[0005]
然而，当采用连续小波变换信号处理方法获取小波时频图像进行故障特征提取时，会出现故障特征向量维度过高、关键诊断信息缺失、冗余信息过多等问题，这些问题使得目前齿轮箱故障诊断方法的适用性和可靠性受到了很大限制。
[0006]
同时，目前在齿轮箱故障诊断领域常用的诊断方法如卷积神经网络和支持向量机等模型均采用了浅层网络结构，仅包含少量的神经网络层。由于模型结构相对简单，这些方法对于信号和复杂故障之间的映射关系的识别能力不足。


技术实现要素：

[0007]
本技术提供了一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，其技术目的是建立高效可靠的故障识别模型，实现对齿轮箱各类故障状态的自动检测和诊断，提高故障诊断效率和准确率。
[0008]
本技术的上述技术目的是通过以下技术方案得以实现的：
[0009]
一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，包括：
[0010]
s1：对齿轮箱在不同程度健康状态下的振动信号数据进行采集，然后对振动信号数据进行预处理；
[0011]
s2：通过同步挤压小波变换算法对预处理后的振动信号数据进行时频域分析，将振动信号数据变换为时频谱图像数据，得到齿轮箱在不同程度健康状态下的时频谱图像数据集，将时频谱图像数据集划分为训练集、测试集和验证集；
[0012]
s3：基于transformer模型构建齿轮箱故障模式识别模型，对齿轮箱故障模式识别模型的训练过程和训练参数进行设计，然后通过训练集对齿轮箱故障模式识别模型进行训练，得到训练完成的齿轮箱故障模式识别模型；
[0013]
s4：对训练完成的齿轮箱故障模式识别模型的参数文件进行调用，载入测试集进行预测，对齿轮箱健康状态类别进行判定，输出诊断结果。
[0014]
进一步地，所述步骤s2包括：
[0015]
s21：通过同步挤压小波变换算法对预处理后的振动信号数据进行连续小波变换，将振动信号分解成不同频率和时间尺度上的小波系数，则该小波系数表示为：
[0016][0017]
x(t)表示预处理后的振动信号数据，a表示小波分解的尺度，b表示小波分解的平移因子，ψ(t)表示小波母函数，为ψ(t)的共轭复数；
[0018]
s22：对所述小波系数进行相位变换，表示为：
[0019][0020]
其中，ω
x
表示w
x
的相位变换结果；表示对平移因子b求导；aj表示相邻两个小波系数之间的时间尺度，且nv用于控制尺度系列数目；δt表示采样时间间隔；
[0021]
s23：基于ω
x
，通过同步挤压小波变换算法对小波系数进行同步挤压操作，表示为：
[0022][0023]
其中，ω
l
＝2
1δω
ω表示任一中心频率；δω＝1/(n
a-1)log(n/2),l＝0,1,
…
,n
a-1；na表示尺度因子的取值系列量级；
[0024]
s24：通过逆变换算法将s
x
(ω
l
,b)重构为初始信号xk，则原始组分xk(tm)表示为：
[0025][0026]
其中，l∈lk(tm)在相位变换空间中是第k个组分附近的窄的指数频带；表示正则化常数；
[0027]
s25：通过xk(tm)得到时频谱图像数据，将时频谱图像数据按照齿轮箱健康状态类别进行保存，并将时频谱图像数据集划分为训练集和测试集。
[0028]
进一步地，步骤s3中，基于transformer模型构建齿轮箱故障模式识别模型，则齿
轮箱故障模式识别模型包括数据处理模块、数据编码模块和故障分类模块。
[0029]
进一步地，所述数据处理模块用于：
[0030]
将时频谱图像按固定尺寸分割成一系列的二维图像块；其中，f
×
t表示原始输入图像的分辨率，f表示图像高度即频率尺度，t表示图像宽度即时间尺度；ci表示图像深度；二维图像块的分辨率为p
×
p，数量为
[0031]
通过可训练的线性映射层将这一系列的二维图像块展开为一个二维矩阵，则二维矩阵中向量序列的维度为d，长度为n；
[0032]
在向量序列的前端嵌入一个可训练的类别向量x
class
，并在向量序列上叠加一个可训练的位置编码e
pos
，最终得到向量序列表示为：
[0033][0034]
进一步地，所述数据编码模块由l个编码块重复堆叠而成，每个编码块中均包括一个多头自注意力残差块和一个多层感知机残差块，每个多头自注意力残差块包括h个自注意力模块；
[0035]
所述多头自注意力残差块用于：
[0036]
通过一组可训练的线性变换层对来自前一个编码块的向量序列z
l
进行处理，分别得到查询矩阵qi＝z
lwiq
、键矩阵ki＝z
lwik
和值矩阵vi＝z
lwiv
；其中，z
l
的维度为d
model
；z
l
＝mlp(ln(z
′
l
))+z
′
l
,l＝1,2,
…
,l；z
′
l
＝msa(ln(z
l-1
))+z
l-1
,l＝1,2,
…
,l；
[0037]
通过自注意力函数对查询矩阵和键矩阵的内积进行计算，然后除以缩放因子得到值向量；再通过softmax函数对针对每一个值向量的权重进行计算，得到单头自注意力函数即自注意力模块，表示为：
[0038][0039]
自注意力模块分别将查询矩阵qi＝z
lwiq
、键矩阵ki＝z
lwik
和值矩阵vi＝z
lwiv
进一步拆分，分别得到查询矩阵、键矩阵和值矩阵则h个自注意力模块分别得到h个查询矩阵、键矩阵和值矩阵将h个查询矩阵键矩阵和值矩阵进行并行计算得到h个输出值headj；
[0040]
将每个自注意力模块得到的headj进行拼接后，通过可训练的线性映射层对拼接后的结果进行融合并输出至多层感知机残差块，表示为：
[0041][0042]
所述多层感知机残差块用于：根据multihead(z
l
)进行特征提取，得到；上一个编码块的多层感知机残差块输出至下一个编码块的多头自注意力残差块，最后一个编码块的多层感知机残差块输出至故障分类模块。
[0043]
进一步地，所述故障分类模块用于：根据输入的特征得到最终的齿轮箱健康状态分类结果。
[0044]
进一步地，步骤s3中，对齿轮箱故障模式识别模型进行训练，包括：
[0045]
s31：设置模型训练参数，包括总训练期数、齿轮箱健康状态类别信息、学习率调整策略以及损失函数；导入外部预训练模型参数，对齿轮箱故障模式识别模型的权值参数进行初始化；
[0046]
s32：进行第i轮训练时，对齿轮箱在不同程度健康状态下的时频谱图像数据集进行加载，并对时频谱图像以及齿轮箱健康状态类别标签进行读取；
[0047]
s33：将训练集数据输入模型，输出预测的齿轮箱健康状态类别标签；
[0048]
s34：通过交叉熵损失函数对第i轮训练后的损失函数值进行计算；
[0049]
s35：使用反向传播算法计算出齿轮箱故障模式识别模型中可学习参数的偏导，使用随机梯度下降优化器处理损失函数的梯度，协同学习率更新模型中的可学习参数；
[0050]
s36：令i＝i+1，按照步骤s31中设定的总训练期数，重复步骤s32至步骤s35，最后存储指定训练期数的齿轮箱故障模式识别模型参数文件。
[0051]
本技术的有益效果在于：本技术所述的基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，通过同步挤压小波变换算法对齿轮箱振动信号数据进行时频域分析，并基于transformer模型建立故障识别模型，实现对齿轮箱各类故障状态的自动检测和诊断，有助于提高齿轮箱的可靠性和安全性，减少故障对整个机械系统运行的影响，保障生产和服务质量。
附图说明
[0052]
图1为本技术所述基于时频域图像和卷积神经网络的齿轮箱故障诊断方法的流程图；
[0053]
图2为本技术实例中齿轮箱振动信号及其时频谱图像的示意图；
[0054]
图3为本技术实例中齿轮箱故障模式识别模型训练过程的示意图。
具体实施方式
[0055]
下面将结合附图对本技术技术方案进行详细说明。
[0056]
如图1所示，本技术所述的基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，包括：
[0057]
s1：对齿轮箱在不同程度健康状态下的振动信号数据进行采集，然后对振动信号数据进行预处理。
[0058]
s2：通过同步挤压小波变换算法对预处理后的振动信号数据进行时频域分析，将振动信号数据变换为时频谱图像数据，得到齿轮箱在不同程度健康状态下的时频谱图像数据集，将时频谱图像数据集划分为训练集和测试集。
[0059]
具体地，所述步骤s2包括：
[0060]
s21：通过同步挤压小波变换算法对预处理后的振动信号数据进行连续小波变换，将振动信号分解成不同频率和时间尺度上的小波系数，该小波系数表示为：
[0061][0062]
x(t)表示预处理后的振动信号数据，a表示小波分解的尺度，b表示小波分解的平移因子，ψ(t)表示小波母函数，为ψ(t)的共轭复数；
[0063]
s22：对所述小波系数进行相位变换，以在小波尺度方向上对时间尺度平面的能量进行重新分配，将时间尺度转换至时间频率平面，则该相位变换表示为：
[0064][0065]
其中，ω
x
表示w
x
的相位变换结果；aj表示相邻两个小波系数之间的时间尺度，且；表示对平移因子b求导。fm解调能够消除小波函数对于w
x
的影响，并获得修正后的时频域表征。然而，实际获取的振动加速度信号通常包含噪声等干扰，当|w
x
|趋于0时，ω
x
计算过程将不稳定，因此设置阈值参数γ以移除这部分信号的影响。
[0066]
另外，aj的获取过程包括：对x(t)在时刻tm处进行离散化得到向量x，根据采样点(aj,tm)对w
x
(a,b)进行采样，则对于小波分解得到的每一层系数，对相邻两个小波系数之间的时间尺度进行计算，表示为：；其中，nv用于控制尺度系列数目，δt表示采样时间间隔。
[0067]
s23：基于ω
x
，通过同步挤压小波变换算法对小波系数进行同步挤压操作，即对在时频面上任一中心频率ω
l
附近区间的值进行挤压，获得同步挤压变换量值，从而在时频域中获得更高的分辨率，则定义x的同步挤压小波变换结果为：
[0068][0069]
其中，ω
l
＝2
1δω
ω表示任一中心频率；δω＝1/(n
a-1)log(n/2),l＝0,1,
…
,n
a-1；na表示尺度因子的取值系列量级。通过对经小波变换后的小波量图进行同步挤压操作，时频谱图像内的曲线将会更集中更清晰，频率精度也会有所提高，便于后续对于齿轮箱健康状态的精确诊断。
[0070]
s24：通过逆变换算法将s
x
(ω
l
,b)重构为初始信号xk，则原始组分xk(tm)表示为：
[0071][0072]
其中，l∈lk(tm)在相位变换空间中是第k个组分附近的窄的指数频带；表示正则化常数。以采集时间为横轴，齿轮箱振动信号频率为纵轴，用颜色深浅区分齿轮箱振动信号幅值，获取相应的时频谱图像，如图2所示。
[0073]
s25：通过xk(tm)得到时频谱图像数据，将时频谱图像数据按照齿轮箱健康状态类别进行保存，并将时频谱图像数据集划分为训练集、测试集和验证集，如表1所示。
[0074]
表1齿轮箱不同程度健康状态下的时频谱图像数据集
[0075][0076]
s3：基于transformer模型构建齿轮箱故障模式识别模型，对齿轮箱故障模式识别模型的训练过程和训练参数进行设计，然后通过训练集对齿轮箱故障模式识别模型进行训练，得到训练完成的齿轮箱故障模式识别模型。
[0077]
具体地，由于齿轮箱故障模式识别模型基于transformer模型进行构建，因此该齿轮箱故障模式识别模型包括数据处理模块、数据编码模块和故障分类模块。
[0078]
所述数据处理模块用于：
[0079]
(1)将时频谱图像按固定尺寸分割成一系列的二维图像块其中，f
×
t表示原始输入图像的分辨率，f表示图像高度即频率尺度，t表示图像宽度即时间尺度；ci表示图像深度；二维图像块的分辨率为p
×
p，数量为
[0080]
(2)通过可训练的线性映射层将这一系列的二维图像块展开为一个二维矩阵，则二维矩阵中向量序列的维度为d，长度为n；
[0081]
(3)针对齿轮箱健康状态分类任务，在向量序列的前端嵌入一个可训练的类别向量x
class
，用于后续计算类别输出向量；并在向量序列上叠加一个可训练的位置编码e
pos
，用于保留二维图像块的相对位置信息。最终得到时频谱图像的向量序列表示为：
[0082][0083]
所述数据编码模块用于从向量序列z0中提取各频段多尺度信息用于齿轮箱故障模式识别，其由l个编码块重复堆叠而成，每个编码块中均包括一个多头自注意力残差块和一个多层感知机残差块，每个多头自注意力残差块包括h个自注意力模块。
[0084]
所述多头自注意力残差块利用自注意力机制提取向量序列之间的隐含抽象信息，具体包括：
[0085]
(1)通过一组可训练的线性变换层对来自前一个编码块的向量序列z
l
进行处理，分别得到查询矩阵qi＝z
lwiq
、键矩阵ki＝z
lwik
和值矩阵vi＝z
lwiv
；其中，z
l
的维度为d
model
；z
l
＝mlp(ln(z
′
l
))+z
′
l
,l＝1,2,
…
,l；z
′
l
＝msa(ln(z
l-1
))+z
l-1
,l＝1,2,
…
,l；
[0086]
(2)通过自注意力函数对查询矩阵和键矩阵的内积进行计算，然后除以相应的缩放因子，得到值向量；再通过softmax函数对针对每一个值向量的权重进行计算，得到单头自注意力函数即自注意力模块，表示为：
[0087]
[0088]
(3)自注意力模块分别将查询矩阵qi＝z
lwiq
、键矩阵ki＝z
lwik
和值矩阵vi＝z
lwiv
进一步拆分，分别得到查询矩阵、键矩阵和值矩阵，则h个自注意力模块分别得到h个查询矩阵、键矩阵和值矩阵，将h个查询矩阵、键矩阵和值矩阵进行并行计算得到h个输出值headj；
[0089]
(4)将每个自注意力模块得到的headj进行拼接后，通过可训练的线性映射层对拼接后的结果进行融合并输出至多层感知机残差块，表示为：
[0090][0091]
所述多层感知机残差块用于：根据multihead(z
l
)进行特征提取，得到；上一个编码块的多层感知机残差块输出至下一个编码块的多头自注意力残差块，最后一个编码块的多层感知机残差块输出至故障分类模块。
[0092]
所述故障分类模块用于：根据输入的特征提取类别向量生成的对应结果，得到最终的齿轮箱健康状态分类结果，表示为：
[0093]
步骤s3中，对齿轮箱故障模式识别模型进行训练，其训练过程如图3所示，具体包括：
[0094]
s31：设置模型训练参数，包括总训练期数、齿轮箱健康状态类别信息、学习率调整策略以及损失函数；导入外部预训练模型参数，对齿轮箱故障模式识别模型的权值参数进行初始化，本实施例中参数选择如表2所示：
[0095]
表2齿轮箱故障模式识别模型超参数选择
[0096]
超参数项赋值输入图像分辨率[224,224,3]批处理数量16训练期数100初始学习率0.001transformer编码块个数12多头自注意力残差块头数6预训练数据集imagenet-21k
[0097]
s32：进行第i轮训练时，对齿轮箱在不同程度健康状态下的时频谱图像数据集进行加载，并对时频谱图像以及齿轮箱健康状态类别标签进行读取；
[0098]
s33：将训练集数据输入模型，输出预测的齿轮箱健康状态类别标签；
[0099]
s34：通过交叉熵损失函数对第i轮训练后的损失函数值进行计算；
[0100]
s35：使用反向传播算法计算出齿轮箱故障模式识别模型中可学习参数的偏导，使用随机梯度下降优化器处理损失函数的梯度，协同学习率更新模型中的可学习参数；
[0101]
s36：令i＝i+1，按照步骤s31中设定的总训练期数，重复步骤s32至步骤s35，最后
存储指定训练期数的齿轮箱故障模式识别模型参数文件。
[0102]
s4：对训练完成的齿轮箱故障模式识别模型的参数文件进行调用，载入测试集进行预测，对齿轮箱健康状态类别进行判定，输出诊断结果。本技术实施例中诊断结果精度与现有方法诊断精度对比如表3所示：
[0103]
表3齿轮箱故障模式识别模型诊断结果精度对比
[0104][0105]
以上为本技术示范性实施例，本技术的保护范围由权利要求书及其等效物限定。

技术特征：
1.一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，其特征在于，包括：s1：对齿轮箱在不同程度健康状态下的振动信号数据进行采集，然后对振动信号数据进行预处理；s2：通过同步挤压小波变换算法对预处理后的振动信号数据进行时频域分析，将振动信号数据变换为时频谱图像数据，得到齿轮箱在不同程度健康状态下的时频谱图像数据集，将时频谱图像数据集划分为训练集、测试集和验证集；s3：基于transformer模型构建齿轮箱故障模式识别模型，对齿轮箱故障模式识别模型的训练过程和训练参数进行设计，然后通过训练集对齿轮箱故障模式识别模型进行训练，得到训练完成的齿轮箱故障模式识别模型；s4：对训练完成的齿轮箱故障模式识别模型的参数文件进行调用，载入测试集进行预测，对齿轮箱健康状态类别进行判定，输出诊断结果。2.如权利要求1所述的方法，其特征在于，所述步骤s2包括：s21：通过同步挤压小波变换算法对预处理后的振动信号数据进行连续小波变换，将振动信号分解成不同频率和时间尺度上的小波系数，则该小波系数表示为：x(t)表示预处理后的振动信号数据，a表示小波分解的尺度，b表示小波分解的平移因子，ψ(t)表示小波母函数，为ψ(t)的共轭复数；s22：对所述小波系数进行相位变换，表示为：其中，ω
x
表示w
x
的相位变换结果；表示对平移因子b求导；a
j
表示相邻两个小波系数之间的时间尺度，且n
v
用于控制尺度系列数目；δt表示采样时间间隔；s23：基于ω
x
，通过同步挤压小波变换算法对小波系数进行同步挤压操作，表示为：其中，ω
l
＝2
1δω
ω表示任一中心频率；δω＝1/(n
a-1)log(n/2),l＝0,1,
…
,n
a-1；n
a
表示尺度因子的取值系列量级；s24：通过逆变换算法将s
x
(ω
l
,b)重构为初始信号x
k
，则原始组分x
k
(t
m
)表示为：其中，l∈l
k
(t
m
)在相位变换空间中是第k个组分附近的窄的指数频带；表示正则化常数；s25：通过x
k
(t
m
)得到时频谱图像数据，将时频谱图像数据按照齿轮箱健康状态类别进行保存，并将时频谱图像数据集划分为训练集和测试集。3.如权利要求2所述的方法，其特征在于，步骤s3中，基于transformer模型构建齿轮箱故障模式识别模型，则齿轮箱故障模式识别模型包括数据处理模块、数据编码模块和故障
分类模块。4.如权利要求3所述的方法，其特征在于，所述数据处理模块用于：将时频谱图像按固定尺寸分割成一系列的二维图像块其中，f
×
t表示原始输入图像的分辨率，f表示图像高度即频率尺度，t表示图像宽度即时间尺度；c
i
表示图像深度；二维图像块的分辨率为p
×
p，数量为通过可训练的线性映射层将这一系列的二维图像块展开为一个二维矩阵，则二维矩阵中向量序列的维度为d，长度为n；在向量序列的前端嵌入一个可训练的类别向量x
class
，并在向量序列上叠加一个可训练的位置编码e
pos
，最终得到向量序列表示为：5.如权利要求4所述的方法，其特征在于，所述数据编码模块由l个编码块重复堆叠而成，每个编码块中均包括一个多头自注意力残差块和一个多层感知机残差块，每个多头自注意力残差块包括h个自注意力模块；所述多头自注意力残差块用于：通过一组可训练的线性变换层对来自前一个编码块的向量序列z
l
进行处理，分别得到查询矩阵q
i
＝z
l
w
iq
、键矩阵k
i
＝z
l
w
ik
和值矩阵v
i
＝z
l
w
iv
；其中，z
l
的维度为d
model
；z
l
＝mlp(ln(z
′
l
)+z
′
l
,l＝1,2,
…
,l；z
′
l
＝msa(ln(z
l-1
))+z
l-1
,l＝1,2,
…
,l；通过自注意力函数对查询矩阵和键矩阵的内积进行计算，然后除以缩放因子得到值向量；再通过softmax函数对针对每一个值向量的权重进行计算，得到单头自注意力函数即自注意力模块，表示为：自注意力模块分别将查询矩阵q
i
＝z
l
w
iq
、键矩阵k
i
＝z
l
w
ik
和值矩阵v
i
＝z
l
w
iv
进一步拆分，分别得到查询矩阵键矩阵和值矩阵则h个自注意力模块分别得到h个查询矩阵键矩阵和值矩阵将h个查询矩阵键矩阵和值矩阵进行并行计算得到h个输出值head
j
；将每个自注意力模块得到的head
j
进行拼接后，通过可训练的线性映射层对拼接后的结果进行融合并输出至多层感知机残差块，表示为：所述多层感知机残差块用于：根据multihead(z
l
)进行特征提取，得到上一个编码块的多层感知机残差块输出至下一个编码块的多头自注意力残差块，最后一个编码块的多层感知机残差块输出至故障分类模块。
6.如权利要求5所述的方法，其特征在于，所述故障分类模块用于：根据输入的特征得到最终的齿轮箱健康状态分类结果。7.如权利要求6所述的方法，其特征在于，步骤s3中，对齿轮箱故障模式识别模型进行训练，包括：s31：设置模型训练参数，包括总训练期数、齿轮箱健康状态类别信息、学习率调整策略以及损失函数；导入外部预训练模型参数，对齿轮箱故障模式识别模型的权值参数进行初始化；s32：进行第i轮训练时，对齿轮箱在不同程度健康状态下的时频谱图像数据集进行加载，并对时频谱图像以及齿轮箱健康状态类别标签进行读取；s33：将训练集数据输入模型，输出预测的齿轮箱健康状态类别标签；s34：通过交叉熵损失函数对第i轮训练后的损失函数值进行计算；s35：使用反向传播算法计算出齿轮箱故障模式识别模型中可学习参数的偏导，使用随机梯度下降优化器处理损失函数的梯度，协同学习率更新模型中的可学习参数；s36：令i＝i+1，按照步骤s31中设定的总训练期数，重复步骤s32至步骤s35，最后存储指定训练期数的齿轮箱故障模式识别模型参数文件。

技术总结
本发明公开了一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，涉及故障诊断及机器学习技术领域，解决了齿轮箱故障诊断不够精准的技术问题，其技术方案要点是通过同步挤压小波变换算法对齿轮箱振动信号数据进行时频域分析，并基于Transformer模型建立故障识别模型，实现对齿轮箱各类故障状态的自动检测和诊断，有助于提高齿轮箱的可靠性和安全性，减少故障对整个机械系统运行的影响，保障生产和服务质量。生产和服务质量。生产和服务质量。


技术研发人员：邬明均 王鹏
受保护的技术使用者：南京高精齿轮集团有限公司
技术研发日：2023.05.29
技术公布日：2023/9/23