一种基于标准信封频谱的深度学习方法,用于基于标准信封频谱的跨域故障诊断
Lubin Zhai1, Xiufeng Wang1, Zeyiwen Si2
1College of Mechanical Engineering, Xi'an Jiaotong University, Xi'an 710049, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
深度学习错误诊断与跨域准确性作斗争. 本研究引入了一种重建的信封频谱方法,以增强不同速度和类型的滚动轴承诊断,显著提高预测准确性.
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:
- 设备故障诊断的深度学习模型提供可靠性,但在跨领域预测准确性方面面临挑战.
- 现有的方法在应用于来自不同操作条件或设备变化的数据时,往往会失败.
研究的目的:
- 为滚动轴承提出一种新的深度学习故障诊断方法,以增强跨领域诊断能力.
- 提高故障诊断模型的预测准确度,当应用到来自不同旋转速度和轴承类型的数据时.
主要方法:
- 一个标准的信封光谱是基于滚动轴承故障标志的形态构建的.
- 这种重建的信封频谱被用来消除特定领域的差异 (例如速度,模型).
- 卷积神经网络用于使用处理的数据进行特征学习和故障分类.
主要成果:
- 提出的方法在各种数据集上显示出高的诊断准确性,包括公开可用的数据和自我实验的数据.
- 它有效地处理了旋转速度和轴承类型的变化.
- 与几种流行的特征提取技术相比,性能优越.
结论:
- 重建的信封频谱深度学习方法对于滚动轴承的跨领域故障诊断是有效的.
- 这种方法在不同的操作条件和设备变化中显著提高了诊断准确性.
- 该方法通过增强故障预测提供了可靠设备操作的强大解决方案.
