P2IFormer: 高速列車の軸箱ベアリングの故障診断のための多粒度パッチ-to-画像埋め込みモデル

科学分野:

• 機械工学
• 人工知能
• シグナル処理

背景:

• アックスボックスベアリングは高速列車において非常に重要ですが,重荷下では故障しやすく,安全性と効率性に影響します.
• 既存のディープラーニングの故障診断方法は,多層次的な時間的特徴の抽出とローカルパターンモデリングに苦戦しています.

研究 の 目的:

• 軸箱ベアリングの正確な故障診断のための高度なディープラーニングモデル,P2IFormerを開発する.
• 複雑で連続したパターンを捕捉する現在の方法の限界を克服する.

主な方法:

• 提案されたP2IFormerモデルは,多粒度パッチ-to-イメージエンベディングを使用しています.
• 振動配列を複数の粒度でパッチに分割し,グラミアン角場 (GAF) 画像に変換する.
• 多粒度自己注意メカニズムを用いて,イントラおよびインター粒度依存性モデリングと特徴融合を行う.

主要な成果:

• P2IFormerは,様々な速度条件で99.5%以上の精度で故障診断を達成しました.
• 既存のコンボリューションニューラルネットワーク (CNN) とトランスフォーマーベースの方法と比較して,著しいパフォーマンスの改善が示されました.

結論:

• P2IFormerは,ベアリングの故障診断のための多スケール時間的特徴抽出とローカルパターンモデリングの課題に効果的に取り組んでいます.
• 提案された方法は,高速列車の安全性と運用効率を確保するための堅牢で高度なソリューションを提供します.