基于声信号特征学习的增强特征提取网络用于轴承故障诊断
Yuanqing Luo1, Wenxia Lu1, Shuang Kang2
1School of Environmental and Chemical Engineering, Shenyang University of Technology, Shenyang 110870, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究引入了一种增强功能提取网络 (EFEN),用于使用声信号进行可靠的滚动轴承故障诊断. 埃芬方法实现了高精度和耐噪,改善了设备监控.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 设备运行状态的非接触式测量对于预测性维护至关重要.
- 声辐射信号提供了全面的状态信息,但需要复杂的分析来检测故障.
- 对于滚动轴承的现有故障诊断方法可能缺乏对噪声的稳定性,需要进一步改进.
研究的目的:
- 提出一个增强功能提取网络 (EFEN) 用于使用声信号对滚动轴承进行准确的故障诊断.
- 改进声信号的特征学习过程,增强故障检测能力.
- 开发一种强大的方法,即使在杂的环境中也能保持高精度.
主要方法:
- 拟议的EFEN集成了数据预处理,信息特征选择模块 (IFSM),道注意力机制模块 (CAMM) 和卷积神经网络模块 (CNNM).
- 声信号被转换成2D灰度图像进行分析.
- IFSM采用多尺寸的卷积波器来进行特征融合和噪声减弱,而CAMM则根据频道分配重要性,其次是CNN进行分类.
主要成果:
- 埃芬网络实现了98.52%的高故障诊断准确率.
- 在反噪声实验中,平均准确度仍然很高,为96.62%,平均代时间减少0.25秒.
- 与其他方法相比,拟议的算法表现出卓越的准确性和显著的抗噪力.
结论:
- 基于声信号,EFEN网络提供了一种有效和准确的方法来对滚动轴承进行故障诊断.
- 该方法对噪声的强度使其适合于现实世界的工业监控应用.
- 埃芬在旋转机械的基于声学的状态监测方面取得了重大进展.
