基于蒸学习的航空发动机滚动轴承故障异常检测方法

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 航空发动机滚动轴承的智能诊断模型由于缺乏高质量的故障数据,因此受限于概括.
• 现有的方法在处理有限的数据集时,往往在计算效率和准确性方面扎.

研究的目的:

• 为航空发动机滚动轴承开发一种超越数据限制的故障异常检测技术.
• 通过蒸学习提高智能诊断模型的计算效率和准确性.
• 以有限的正常状态振动数据实现高性能异常检测.

主要方法:

• 一种基于蒸学习的故障异常检测技术,使用两个视觉变压器 (ViT) 模型 (教师和学生).
• 开发新的损失和异常评分功能以以特征为中心的表示和一个增强的变压器编码器与剩余块.
• 使用滚轴动力学模拟来生成故障样本数据和预先培训教师网络.
• 培训学生网络,只使用正常状态的振动加速度样本和预培训的教师网络.

主要成果:

• 拟议的方法在两个测试数据集和真实航空发动机振动数据上实现了100%的检测准确性.
• 蒸学习方法提高了计算效率,而不影响模型的准确性.
• 该技术在检测滚动轴承故障方面表现出很高的能力.

结论:

• 开发的故障异常检测技术有效地解决了在航空发动机滚动轴承诊断中有限的故障数据的挑战.
• 蒸学习提供了一种有希望的方法来提高智能诊断系统的效率和准确性.
• 拟议的方法显示了航空发动机健康监测中的实际应用的巨大潜力.