信号消噪的多层卷积字典学习网络及其应用于可解释的滚动轴承故障诊断

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:

• 滚动轴承健康监测对于机械维护至关重要.
• 振动信号分析是轴承故障诊断的关键,但受到噪音的阻碍.
• 现有的否定方法在超参数选择或解释性方面存在局限性.

研究的目的:

• 为机械振动信号开发一种基于深度学习的可解释和有效的无声化方法.
• 解决传统和黑子深度学习方法的局限性.
• 为了提高滚动轴承故障诊断的准确性和可解释性.

主要方法:

• 通过将多层稀疏编码器集成到LISTA的卷积扩展中来导出多层卷积LISTA (ML-CLISTA) 算法.
• 通过展开ML-CLISTA算法,提出一个多层卷积式词典学习 (ML-CDL) 网络.
• 应用ML-CDL网络与分类器结合用于可解释的滚动轴承故障诊断.

主要成果:

• 与传统方法相比,拟议的ML-CDL网络在消除机械振动信号方面表现出卓越的性能.
• 该方法为滚动轴承故障诊断提供了一种可解释的方法.
• 在两个轴承数据集上的实验验证证证了ML-CDL网络的有效性.

结论:

• ML-CDL网络为滚动轴承故障诊断中的振动信号消音提供了一个有效和可解释的解决方案.
• 像LISTA这样的展开算法提供了一种系统的方式来设计可解释的深度学习架构.
• 开发的方法显著提高了在杂环境中故障诊断的可靠性.