对健康和使用监测系统的异常检测和剩余有用寿命估计2023年数据挑战
Omri Matania1, Eric Bechhoefer2, David Blunt3
1BGU-PHM Laboratory, Department of Mechanical Engineering, Ben-Gurion University of the Negev, P.O. Box 653, Beer Sheva 8410501, Israel.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
传统的信号处理方法在轮故障检测和剩余使用寿命估计方面表现出色,在新的振动信号基准数据集上表现优于深度学习. 这项研究引入了一个新的数据集和一个数字双胞胎,用于增强机械健康监测.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 轮故障检测和剩余使用寿命 (RUL) 估计对于旋转机械健康监测至关重要.
- 现有的数据集可能无法完全捕捉耐力轮振动的复杂性.
- 异常检测算法对于识别轮故障的早期迹象至关重要.
研究的目的:
- 引入一个新的耐力轮振动信号的基准数据集.
- 为了评估传统信号处理与深度学习对异常检测的性能.
- 为RUL估计提供一个新的数字双胞胎.
主要方法:
- 开发和发布一个新的耐力轮振动信号数据集.
- 传统信号处理和深度学习异常检测算法的比较分析.
- 实施和验证一个新的基于信号处理的异常检测算法.
- 引入用于RUL估计的数字双胞胎.
主要成果:
- 传统的信号处理技术在新的基准数据集上表现优于深度学习算法.
- 拟议的信号处理异常检测算法超过了标准的深度学习方法.
- 数字双胞胎从基准数据集中有效估计了轮的RUL.
- 在HUMS 2023挑战的11个参与小组中,传统方法产生了优异的结果.
结论:
- 传统的信号处理为轮故障检测和RUL估计提供了强大而有效的方法.
- 新的基准数据集为推进旋转机械异常检测研究提供了宝贵的资源.
- 开发的数字双胞胎显示了实时RUL预测和主动维护策略的前景.
