一个可适应的多D标准驱动的Sparse展开的脱卷网络用于轴承故障诊断
Jianbo Lin1,2, Han Zhang1,2, Yunfei Li1,2
1School of Construction Machinery, Chang'an University, Xi'an 710064, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
这项研究引入了一个适应性解卷网络用于轴承故障诊断,增强冲动源恢复. 这种新方法通过同时保持信号冲动性和周期静止性来提高准确性.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 冲动盲解卷 (IBD) 对于轴承故障诊断至关重要,它依赖于目标函数和传输函数.
- 现有的IBD方法难以同时保持波形冲动性和周期性周期稳定性.
- 在IBD中单个卷积操作对于涉及多个线性和非线性单元的复杂传输路径是不够的.
研究的目的:
- 提出一个自适应的多维标准驱动的稀疏展开解卷网络 (AMD-SUDN).
- 解决当前IBD方法在保持信号冲动性和周期稳定性方面的局限性.
- 为了提高在轴承故障中检测冲动特征的准确性.
主要方法:
- 开发了一种使用MaxPooling周期调制强度 (MPMI) 实现同时冲动性和周期静止性的新型目标向量构造.
- 设计的目标函数采用基于构造的目标向量的多维规范驱动方法.
- 展开了一个代软值算法 (ISTA) 卷积稀疏学习 (CSL) 进入一个解卷积网络 (AMD-SUDN).
主要成果:
- 数字模拟验证了算法的性能和最佳的超参数配置.
- AMD-SUDN成功地检测到了轴承故障的特征冲动特征.
- 对比分析表明,AMD-SUDN的解卷精度优于现有的最先进的IBD方法.
结论:
- 拟议的AMD-SUDN有效地克服了传统IBD技术的局限性.
- 该方法实现了用于轴承故障诊断的增强解卷精度.
- AMD-SUDN为旋转机械的状态监测和故障检测提供了一个有前途的进步.


