一个智能多局部模型轴承故障诊断方法使用小样本融合

科学领域:

• 工程 工程师 工程师 工程师
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 准确的轴承故障诊断对于工业安全和防止电机故障至关重要.
• 深度学习方法具有先进的机动操作安全性,但通常需要大量的监控数据.
• 恶劣的工业条件限制了轴承传感器的数据收集,特别是特殊的电机轴承.

研究的目的:

• 开发一种有效的轴承故障诊断方法,用于使用转移学习的有限监测数据的场景.
• 为了应对在多局部模型轴承故障诊断中小样本融合的挑战.
• 通过增强故障诊断,提高工业电机操作的可靠性和智能性.

主要方法:

• 一个平行Bi-LSTM子网络被构建,以从振动和电流信号中提取特征.
• 功能被连续融合用于分类,建立源域故障诊断模型.
• 最大平均差异算法测量了数据分布差异;转移学习为目标域微调了模型.

主要成果:

• 与现有方法相比,拟议的转移学习方法在小样本的融合中实现了更高的故障诊断准确度.
• 该方法显著减少了故障诊断模型的早期培训时间.
• 故障诊断模型的概括能力得到了大幅度的改进.

结论:

• 开发的转移学习策略有效地诊断轴承故障,即使数据有限.
• 该方法提高了诊断准确度 (超过80%),并减少了培训时间 (15.3%).
• 该方法为工业电机故障诊断提供了可靠和智能解决方案,提高了运行安全和效率.