マルチソースデータ融合によるインダクションモーターの故障診断のための強化CNN

科学分野:

• 電気工学
• 機械学習
• 信号処理

背景:

• インダクションモーターの単一の故障信号の分離は,認識精度が低いため,課題に直面しています.
• 欠陥の特徴の非線形相関は,従来の診断方法を複雑にする.

研究 の 目的:

• マルチソース情報と強化されたコンボリューションニューラルネットワーク (CNN) を統合したインダクションモーターの新規の故障診断戦略を提案する.
• 非線形相関を緩和することによって単一の故障信号の識別精度を向上させる.

主な方法:

• 振動とステータの電流信号は,デノイジングオートエンコーダーを使用して事前処理された.
• 多元ソースの均質なデータは,相関変数貢献率の方法を使用して融合されました.
• 融合した信号は2D画像に変換され 精巧なCNNアーキテクチャに入力されます

主要な成果:

• 提案されたアダプティブCNNモデルは,1800rpmで99.0%,2400rpmで94.8%の高い診断精度を達成しました.
• この方法は,多種多様な情報源から得られた冗長で補完的な情報を効果的に利用した.
• 伝統的な方法と他の高度なマルチソース融合技術と比較して優れた性能を示しています.

結論:

• 統合された複数の情報源とCNNアプローチは,インダクションモーターの故障診断のための強力なツールを提供します.
• この方法は非線形ダイナミクスを成功裏にモデル化し,精度向上のために特徴抽出を強化します.
• この戦略は,インダクションモーターの故障検出システムの信頼性と精度を大幅に向上させます.