对比学习和动态嵌入神经网络,用于无标签可解释的机器故障诊断
Shilong Sun1, Tengyi Peng1, Yu Zhou2
1School of Mechanical Engineering and Automation, Guangdong Key Laboratory of Intelligent Morphing Mechanisms and Adaptive Robotics, Harbin Institute of Technology(Shenzhen), Shenzhen, China.
ISA transactions
|November 29, 2023
概括
本研究介绍了"引导你自己的潜伏和动态系统模型发现" (BYOLDIS),用于使用未标记的振动数据进行自动故障诊断. 比奥尔迪斯准确地识别轴承故障,并提供动态解释,增强机器健康监测.
科学领域:
- 机械工程 机械工程
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 工业机械产生的振动信号表明故障.
- 准确的故障诊断受到标记振动数据的需求的挑战.
- 现有的监督学习方法难以区分与振动相关的故障.
研究的目的:
- 开发一种创新的,可解释的自动故障诊断方法.
- 为了应对工业机械中未标记的振动信号的挑战.
- 介绍启动你自己的潜伏和动态系统模型发现 (BYOLDIS) 算法.
主要方法:
- 导出微分方程来建模故障轴承动态.
- 利用对比学习和时间延迟嵌入用于系统重建.
- 构建一个有物理约束的故障机动多项式方程库.
主要成果:
- 比奥尔迪斯在模拟和实验中准确诊断轴承故障.
- 该方法为诊断结果提供动态解释.
- 在处理未标记的振动数据方面已证明有效.
结论:
- 比奥尔迪斯提供了一个强大的解决方案,用于可解释的,自动故障诊断.
- 该算法成功处理来自工业机械的未标记的振动数据.
- 比奥尔迪斯显示出对推进机器健康监测和诊断的重大前景.
