ローリングベアリングの故障診断方法：STFT統計的特徴とAL-SOA最適化バギングツリーの融合に基づく

科学分野:

• 機械工学
• 信号処理
• 人工知能

背景:

• ローリングベアリングの非定常性と干渉は、故障診断を複雑にする。
• 既存の手法は、複雑な作業条件やノイズに対処するのが難しい。
• 機械の健全性にとって、正確で効率的な故障診断は非常に重要である。

研究 の 目的:

• 軽量で高精度かつ解釈可能なローリングベアリングの故障診断方法を開発する。
• 複雑な環境における信号の非定常性と干渉に対処する。
• 診断精度、モデルの複雑さ、トレーニング効率のバランスを取る。

主な方法:

• アテンション融合モジュール（AFF）を使用した短時間フーリエ変換（STFT）と時間領域統計的特徴の融合。
• 主成分分析（PCA）による次元削減。
• 適応レヴィーカモメ最適化アルゴリズム（AL-SOA）を使用したバギングツリーパラメータの最適化。

主要な成果:

• 提案手法STSF-AL-SOA-BTは、高い平均精度を達成した：CWRUで98.88%、SEUで98.50%、SUTで97.53%。
• アテンションメカニズムは精度を0.6～1.2%向上させた（p < 0.01）。
• AL-SOAは、パレートフロント分析によって確認されたように、精度、複雑さ、効率の間の多目的バランスを促進した。

結論:

• 開発された手法は、変動する条件やノイズ下での軽量なベアリング故障診断のための実行可能なソリューションを提供する。
• 融合アプローチは、周波数領域と時間領域の情報を効果的に捉える。
• この手法は、強力な識別能力、解釈可能性、およびエンジニアリング展開可能性を示す。