基于多维卷积和注意力机制的少射击轴承故障检测
Yingying Xu1,2,3,4, Chunhe Song1,2,3, Chu Wang1,2,3
1State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China.
Mathematical biosciences and engineering : MBE
|June 14, 2024
概括
本研究引入了一种新的少数样本学习方法,用于使用多维卷积和注意力机制进行轴承故障检测. 该方法增强了从有限的振动数据中提取特征,提高了工业安全,减少了经济损失.
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:
- 轴承故障对工业安全和生产构成重大风险.
- 获得用于轴承故障检测的大型数据集是具有挑战性的,因为样本大小小小.
- 现有的方法可能无法捕捉轴承振动信号中的关键特征.
研究的目的:
- 为小型样本场景开发一种有效的轴承故障检测方法.
- 为了提高轴承振动信号的特征提取能力.
- 提高工业物理系统的安全性和可靠性.
主要方法:
- 一种多通道预处理技术,用于利用轴承振动信号信息.
- 多维卷积和注意力机制,用于增强特征提取.
- 为改进样本相似度测量,将非线性映射映射到一个度量空间中.
主要成果:
- 拟议的方法证明了在有限的数据下强大的故障检测性能.
- 改进的特征提取导致更准确的轴承故障识别.
- 该方法有效地测量样本相似性,提高检测精度.
结论:
- 开发的少数样本学习方法有效地解决了轴承故障检测方面的挑战.
- 该技术为减少机器停机时间和经济损失提供了显著的好处.
- 这有助于确保工业设备的安全运行.
