相关实验视频
Updated: Jun 23, 2025
09:11
Revealing Neural Circuit Topography in Multi-Color
Published on: November 14, 2011
15.0K
使用双路径卷积神经网络和多平行图卷积网络进行跨域轴承故障诊断
Yong Zhang1, Songzhao Zhang2, Yuhao Zhu2
1School of Information Engineering, Huzhou University, Huzhou 313000, China; School of Computer and Information Technology, Liaoning Normal University, Dalian 116081, China.
ISA transactions
|June 14, 2024
概括
这项研究引入了一种新的轴承故障诊断方法 (DPC-MGCN),可以有效地在不同操作条件下转移知识. 它通过提取全面的功能和最小化未标记的目标数据的域差异来实现卓越的性能.
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:
- 轴承故障诊断对于机器的安全性和运行稳定性至关重要.
- 不一致的操作环境会导致数据分布的转移,阻碍对未标记的目标数据的模型性能.
- 现有的域调整方法往往忽略了全面的特征提取.
研究的目的:
- 为可变的工作条件开发一个强大的轴承故障诊断方法.
- 为了应对未标记的目标数据场景中域名转移的挑战.
- 通过整合先进的特征提取和域调整来提高转移学习的有效性.
主要方法:
- 一个双路径卷积神经网络 (CNN) 从振动信号中提取本地和全球特征.
- 一个注意力机制识别了关键特征,然后将其转换为相邻矩阵.
- 多平行图卷积网络 (GCNs) 分析特征结构,多核最大平均差异 (MK-MMD) 将域差异最小化.
主要成果:
- 拟议的DPC-MGCN方法在不同数据集和工作条件的轴承故障诊断方面表现出卓越的性能.
- 它通过尽量减少分布差异,有效地处理未标记的目标域数据.
- 对比分析证实了它在现有方法上的优势.
结论:
- 在不同操作条件下,DPC-MGCN方法在轴承故障诊断方面取得了重大进展.
- 它能够提取综合功能并适应跨领域的能力使其非常有效.
- 这种方法提高了工业机械的可靠性和安全性.
