基于深度残余收缩网络的噪音环境中的变速箱故障诊断方法

科学领域:

• 机械工程 机械工程
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 变速箱故障诊断对于工业系统的维护和维修至关重要.
• 环境噪音显著降低了传统故障诊断方法的准确性.
• 现有的模型很难有效地将故障信号与噪声干扰隔离起来.

研究的目的:

• 开发一种先进的复合故障检测方法,用于适应噪声的变速箱.
• 为了提高变速箱故障诊断在现实世界中,噪音条件的精度和可靠性.
• 将噪声减弱功能整合到深度学习框架中,以提高性能.

主要方法:

• 使用快速里埃转换 (FFT) 提取频域特征.
• 为了特征提取和识别,采用了包含交叉注意模块的深度学习模型.
• 网络架构中的软值可以缓解与噪音相关的特征.

主要成果:

• 与现有网络模型相比,拟议的模型显示出优越的噪声免疫力.
• 提高了全球和本地断层特征的提取和识别.
• 通过实验结果验证了高精度故障诊断性能.

结论:

• 集成的交叉注意模块有效地改善了变速箱故障诊断在杂的环境.
• 拟议的方法为可靠监测工业变速箱状况提供了可靠的解决方案.
• 这种方法显著提高了故障检测系统的准确性和弹性.