轻量级幽灵增强功能注意力网络:在各种工作条件下有效的智能故障诊断方法
Huaihao Dong1, Kai Zheng1, Siguo Wen1
1School of Advanced Manufacturing Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
本研究介绍了一种轻量级的网络,用于在不同条件下诊断轴承故障,显著减少计算需求并提高准确性. 新的框架加速了工业应用的检测过程.
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:
- 深度神经网络显示出承载故障诊断的希望,但是在计算上是密集的.
- 当前模型的复杂性阻碍了实际应用和自动诊断工具.
研究的目的:
- 开发一个计算效率高,准确的滚动轴承故障诊断框架.
- 在计算资源和诊断速度方面解决现有的深度学习方法的局限性.
主要方法:
- 引入了三通道预处理模块 (FFT,FWEO,信号外分析) 用于特征提取.
- 使用幽灵模块和高效金字塔平方注意力 (EPSA) 开发了轻量级幽灵增强特征注意力网络 (GEFA-Net).
- 通过线性运算和注意力机制减少模型复杂性和增强特征表示.
主要成果:
- 在实验数据集上,GEFA-Net实现了卓越的诊断准确性 (98.53%和99.98%).
- 与MobileVit.com相比,模型参数数量显著减少了63.74%,减少了63.74%.
- 证明了加速检测流程和减少计算复杂性.
结论:
- 拟议的框架为在可变的操作条件下进行轴承故障诊断提供了强大而高效的解决方案.
- 在需要自动化诊断的实用工业应用中,GEFA-Net具有显著的潜力.
- 该方法有效地平衡了诊断准确性和计算效率.
