基于深度学习和信息融合的机械设备故障诊断方法的研究
Dongnian Jiang1,2,3, Zhixuan Wang1
1College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
这项研究引入了一种新的多尺度传感器信息融合方法,用于机械设备故障诊断. 该方法提高了检测和定位故障的准确性和效率,在闪电炉实验中实现了超过99.65%的准确性.
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:
- 机械设备传输系统很复杂,相互连接的部件在工业环境中容易发生故障.
- 现有的故障诊断方法通常依赖于单信号分析,限制了准确性和效率.
- 解决这些局限性需要先进的技术来全面解释数据.
研究的目的:
- 为改进机械设备故障诊断提出一个多尺度传感器信息融合方法.
- 在复杂的工业环境中提高故障检测和定位的准确性和效率.
- 通过实验测试来验证拟议方法的有效性.
主要方法:
- 利用一个多尺度的单维卷积神经网络 (1DCNN) 具有不同的卷积内核大小,从原始信号中提取多尺度的特征.
- 采用了改进的Dempster-Shafer (DS) 证据理论来融合多传感器特征信号.
- 实施了多传感器信息融合策略,以整合来自不同传感器的数据.
主要成果:
- 多尺度的1DCNN有效地提取了特征,改善了学习和表征能力.
- 合并的传感器数据能够准确检测和定位故障.
- 在闪电炉上的实验结果显示,故障诊断的准确度超过了99.65%.
结论:
- 拟议的多尺度传感器信息融合方法显著提高了故障诊断的准确性和效率.
- 多尺度特征提取和DS证据理论的整合证明了对复杂的机械系统的有效性.
- 该方法为现实世界工业故障诊断提供了可行和有效的解决方案.
