抗噪声传输对抗卷曲与自适应值用于旋转机器故障诊断
Tong Wang1, Xin Xu1, Hongxia Pan1
1School of Mechanical Engineering, North University of China, Taiyuan 030051, China.
ISA transactions
|January 9, 2024
概括
一种新的深度学习方法,即反噪声传输对抗卷曲 (ANTAC),通过减少参数和提高噪声耐受性来增强故障诊断. 这种方法实现了高精度,使其适合于现实世界的应用.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 对于故障诊断至关重要,但在现实条件下面临着大型模型,众多参数和低噪声阻力等挑战.
- 由于计算需求和对噪音数据的敏感性,现有的DL方法难以有效应用.
研究的目的:
- 提出一种新的深度学习方法,具有更少的参数和增强的抗噪能力,以改善故障诊断.
- 在实际故障诊断场景中解决当前大规模神经网络的局限性.
主要方法:
- 引入了反噪声传输对抗卷曲 (ANTAC),一种利用传输对抗子网络 (TAS) 和通道智能值 (CWT) 的DL方法.
- 将数据映射到复制内核的希尔伯特空间 (RKHS),并使用最大平均差异 (MMD) 和瓦瑟斯坦距离 (WD) 进行特征歧视,没有额外的参数.
- 集成的白色高斯噪声 (WGN) 和软值与CWT,以减少噪声和提高网络的稳定性.
主要成果:
- 与现有方法相比,ANTAC方法证明了优越的特征歧视和抗噪能力.
- 对各种数据集和网络结构的实验表明,ANTAC在各种信号噪声比率 (SNR) 中的有效性.
- 在测试组件上达到99.90%的最大精度,突出其高性能.
结论:
- 拟议的ANTAC方法为基于深度学习的故障诊断提供了一个计算效率高和强大的解决方案.
- ANTAC显著提高了抗噪声和特征歧视,使其高度适用于现实世界的工业条件.
