基于 GCN 的 LSTM 自动编码器与自我注意力用于轴承故障诊断

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 工业自动化 工业自动化

背景情况:

• 制造过程依赖于高效和可靠的运行,与发动机相关的故障,特别是轴承缺陷,构成重大挑战.
• 轴承是顺机械运动的关键组件,但它们的故障诊断因数据不平衡和复杂的时间序列特征而复杂.
• 现有的人工智能 (AI) 模型,如CNN,LSTM,SVM和XGBoost在准确诊断轴承故障方面存在局限性.

研究的目的:

• 开发一种新且高度准确的轴承故障诊断模型.
• 克服传统人工智能模型在处理不平衡和复杂的时间序列数据以检测轴承故障方面的局限性.
• 通过改进故障诊断,提高制造过程的可靠性和效率.

主要方法:

• 提出了一种新的轴承故障诊断模型,将图形卷积网络 (GCN) 与长短期记忆 (LSTM) 自动编码器集成在一起.
• 该模型包含了一个自我注意机制,以改善复杂的时间序列数据的分析.
• 培训和验证使用来自Case Western Reserve University (CWRU) 数据集和专用故障模拟器测试台的数据进行.

主要成果:

• 提出的基于GCN的LSTM自编码器与自我注意力在CWRU数据集上实现了97.3%的诊断准确性.
• 该模型在故障模拟器数据集上表现出卓越的性能,达到99.9%的准确性.
• 这些结果表明,与传统的AI模型相比,在轴承故障诊断方面表现优越.

结论:

• 开发的基于GCN的LSTM自编码器具有自我注意力,是在制造业中进行故障诊断的高效工具.
• 该模型解决了数据不平衡和时间序列复杂性的关键挑战,为工业设备提供了更高的可靠性.
• 这些发现表明,在制造业中,提高预测性维护和运营效率是一个有希望的方向.