基于多尺度混合特征和改进的卷积神经网络的旋转机械的健康状况识别方法
Xiangang Cao1,2, Xingyu Guo1,2, Yong Duan1,2
1School of Mechanical Engineering, Xi'an University of Science and Technology, Xi'an 710054, China.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
这项研究引入了一种新的多级混合特征和改进的卷积神经网络 (MSCCNN) 方法,用于准确识别旋转机械的健康状况. 该MSCCNN模型实现了高识别准确性,在检测故障和确保操作可靠性方面超过现有方法.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 旋转机器容易受到环境干扰,因此难以提取故障信号和识别健康状况.
- 现有的方法难以处理振动信号的复杂性,以进行准确的诊断.
研究的目的:
- 开发一种先进的健康状况识别方法,用于旋转机械,使用多尺度混合特征和改进的卷积神经网络 (MSCCNN).
- 提高故障诊断模型在具有挑战性的工业环境中的准确性和通用性.
主要方法:
- 从振动信号中提取内在的模态组件 (IMFs) 的实证波波分解.
- 构建多尺度混合特征集,结合时间,频率和时间频率域分析.
- 开发一个具有多尺度卷积和混合注意力机制的MSCCNN模型,包含一个定制损失函数以提高性能.
主要成果:
- 在西安嘉通大学轴承数据集上,MSCCNN模型实现了98.22%的准确性,明显超过SVM,CNN和其他变体.
- 对PHM2012挑战数据集的验证结果为97.67%的准确性,证明了稳定性和可扩展性.
- 对减速机平台数据集进行进一步测试,结果达到98.67%的准确性,证实了该模型在不同机器类型的有效性.
结论:
- 拟议的MSCCNN方法有效地解决了在旋转机械中提取故障信号和识别健康状态的挑战.
- 集成多级混合功能和先进的深度学习架构显著提高了诊断准确性和可靠性.
- 该MSCCNN模型为工业旋转设备的状态监测和预测性维护提供了一个优越和可通用的解决方案.
