使用改进的SECNN-GRU方法与mRMR特征选择进行液压多路的智能故障诊断

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:

• 液压多通道在重工业中至关重要,但由于恶劣的环境,容易出现隐藏故障.
• 由于门成本和实验复制困难,获取真故障数据具有挑战性.
• 现有的故障诊断方法与这些故障的复杂性和隐藏性质作斗争.

研究的目的:

• 开发一个有效的智能故障诊断方法,用于液压多通道.
• 为了应对隐藏故障和有限的真故障数据的挑战.
• 提高关键工业部件故障诊断的准确性和可靠性.

主要方法:

• 使用浅统计方法和最大相关性最小冗余性 (mRMR) 的特征提取.
• 通过卷积神经网络 (CNN) 进行空间特征提取,使用挤压刺激 (SE) 块进行加权特征增强.
• 时间特征提取和融合使用门式循环单位 (GRU) 进行分类.

主要成果:

• 模拟数据实现了98.94%的平均诊断准确度.
• 来自定向的实验数据达到92.10% (A1传感器) 的平均准确度.
• 与其他算法相比,提出的SECNN-GRU方法显示出优越的静止性和诊断准确性.

结论:

• SECNN-GRU方法为液压多通道故障诊断提供了可行和准确的解决方案.
• 该方法有效处理复杂的故障数据,并提高诊断可靠性.
• 这种智能方法为工业机械的预测性维护提供了巨大的潜力.