智能故障诊断方法基于跨设备二次转移学习的高效门式反复单元网络

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:

• 由于数据有限,机械设备故障诊断往往具有较低的准确性和不良的概括性.
• 现有的方法在数据稀缺和不同的操作条件下扎.

研究的目的:

• 为机械设备故障诊断提出一个创新的跨设备二次转移学习方法.
• 为应对稀缺数据带来的挑战,提高模型识别准确性和概括性.

主要方法:

• 使用连续波形变换 (CWT) 将源域数据转换为图像.
• 采用了一个高效的封闭循环单元网络 (EGRUN) 模型.
• 实现了二级转移学习,使用结的浅层重量和随机重叠采样来增强数据.

主要成果:

• 显著改善了模型的故障特征学习能力.
• 与现有方法相比,提高了分类准确性和泛化性能.
• 证明了更快的融合速度,更高的诊断准确性和更高的稳定性.

结论:

• 提出的基于EGRUN的二次转移学习方法为机械设备故障诊断提供了有效的解决方案,数据稀缺.
• 该方法在准确性,稳定性和可用于实际工程场景的概括性方面表现出卓越的性能.
• 该方法为解决工业诊断中的数据局限性提供了有价值的工具.