変速箱の故障認識による多形融合による深層アンサンブル学習

科学分野:

• エンジニアリング
• コンピュータ科学
• 機械学習

背景:

• 産業機器の故障識別は,単一のデータソース,異なるデータ感度,および特徴抽出の制限により課題に直面しています.
• これらの問題は,情報融合の困難,不十分な状態の表現,および誤差識別の正確性と堅実性の低下をもたらします.

研究 の 目的:

• ディープ・アンサンブル・ラーニングを利用した新しいマルチ情報融合故障識別ネットワークモデルを提案する.
• 単一のソースデータの限界に対処し,機器の故障認識の正確性と堅実性を向上させる.

主な方法:

• 多数のサブ機能抽出ユニットと機能融合ユニットを含む深層アンサンブル学習ネットワークが開発されました.
• 各ソースからの故障特性のマッピング情報は抽出され,別々のサブモデルに格納されました.
• サブモデルの特徴は,専用の特徴融合ユニットを使用して,最終的な故障認識結果を得るために融合されました.

主要な成果:

• 提案された方法は2つのギアボックスのデータセットを使用して評価されました.
• すべての故障タイプでほぼ100%の精度を達成し,単純なスタッキング・フュージョンとシングル・ポイント・メソッドを大幅に上回る.
• 変速箱の故障認識の作業で優れたパフォーマンスを示した.

結論:

• ディープ・アンサンブル・ラーニングに基づいた,提案されたマルチ情報核融合故障識別ネットワークは実現可能で有効です.
• この方法は,工業環境で正確な機器の故障認識のための堅固なソリューションを提供します.
• 複雑な故障診断アプリケーションの深層アンサンブル学習の可能性を強調しています.