多重注意力卷积神经网络用于柴油发动机故障诊断

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:

• 柴油发动机的安全性和可靠性对于运行效率至关重要.
• 准确的故障诊断对于防止灾难性故障和降低维护成本至关重要.
• 现有的故障诊断方法在复杂的场景中可能缺乏效率或准确性.

研究的目的:

• 为柴油发动机提出一个端到端故障诊断方法.
• 通过使用一种新的神经网络架构,提高故障诊断的准确性和效率.
• 在各种故障条件下通过模拟实验验证拟议的方法.

主要方法:

• 开发了一个多注意力卷积神经网络 (MACNN),集成了一个改进的卷积区注意力模块 (ICBAM).
• 采用通过交替CNN和ICBAM层处理的振动信号特征,以增强特征提取.
• 在重组特征地图上使用自我注意机制 (SAM),并结合了Swish激活和动态学习率曲线.

主要成果:

• 在不同操作速度的八类故障数据集上,MACNN的准确度超过97%.
• MACNN的测试时间明显低于发动机的运行周期时间.
• 该方法在诊断不同程度的三个特定故障类型方面表现出有效性:门空隙异常,轨道压力异常和燃料供应不足.

结论:

• 拟议的端到端MACNN方法为柴油发动机故障诊断提供了高度准确和高效的解决方案.
• 整合注意力机制和优化的网络组件显著改善了诊断性能.
• 该方法在现实世界柴油发动机监控系统中具有很强的实际应用潜力.