一种基于动态图形卷积网络和硬值否定的旋转机械故障诊断方法
Qiting Zhou1,2, Longxian Xue1, Jie He1
1Chengdu Aircraft Design & Research Institute, Chengdu 610091, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
这项研究引入了一种新的动态图卷积神经网络 (DGCNN),用于变速箱故障诊断. 该方法有效地捕捉了时间依赖性,并提高了抗噪能力,实现了高诊断精度.
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:
- 多传感器数据融合对于变速箱故障诊断至关重要.
- 现有的方法与局部时间依赖性和噪声干扰作斗争.
- 准确的故障诊断对于工业设备的可靠性至关重要.
研究的目的:
- 通过使用多传感器数据提出一个强大的变速箱故障诊断方法.
- 为了解决捕捉时间依赖和减轻噪声方面的局限性.
- 提高故障诊断系统的准确性和可靠性.
主要方法:
- 开发了一个动态图卷积神经网络 (DGCNN) 来建模时间变化的传感器数据关系.
- 集成了一个可学习的硬值消除噪声层,以减少噪声的影响.
- 利用来自变速箱测试台的试验性故障数据集进行验证.
主要成果:
- 拟议的DDGCN方法实现了99.7%的平均诊断准确率.
- 在各种环境噪声级别中表现出显著的抗噪能力.
- 在多传感器监控数据中有效捕获了局部时间依赖.
结论:
- DDGCN方法为变速箱故障诊断提供了一种优越的方法.
- 集成动态图和硬值的整合提高了准确性和稳定性.
- 该方法显示了对现实世界工业应用的巨大潜力.


