一个基于多源信息融合的新型层次视觉变压器和波段时间频率,用于智能故障诊断

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:

• 深度学习 (DL) 显示出智能故障诊断的前景,但往往无法从机械设备中捕获关键的时间和全球特征.
• 由于复杂的操作环境,单源故障诊断方法难以稳定和广泛地提取故障特征.
• 现有的DL方法面临性能崩,原因是故障信息捕获不足.

研究的目的:

• 为了提高机械元件的端到端故障诊断性能.
• 从多个来源信息中提取和整合丰富的故障特征的强大方法.
• 克服现有方法在捕获时间信息和全球特征方面的局限性.

主要方法:

• 多源信号被转换成二维时间频率图.
• 一种新的层次视觉变压器 (NHVT) 用于增强非线性表示和丰富故障特征.
• 多源信息融合 (MSIF) 策略将信息整合到NHVT架构中.

主要成果:

• 拟议的NHVT架构成功地从多源信息中提取了有用的功能.
• 在多源数据集上,NHVT与最先进的 (SOTA) 方法相比表现优越.
• 该方法有效地捕获时间信息和全球特征,从而提高了诊断准确度.

结论:

• 新型层次视觉变压器与多源信息融合相结合,在机械故障诊断方面取得了重大进展.
• 这种方法提供了一种更稳定,更全面的方法,用于在具有挑战性的环境中提取断层特征.
• 该NHVT架构证明有效利用多源数据进行增强的智能故障诊断.