特殊车辆轴承的故障诊断方法基于多尺度特征融合和转移对抗性学习

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:

• 滚动轴承是机械的关键部件,它们的故障会导致大量停机和安全危险.
• 传统的故障诊断方法在特征提取,准确性和过度装配方面扎,特别是在复杂的操作条件下.
• 需要强大的故障诊断方法,可以在不同的数据集和操作环境中进行概括,这一点至关重要.

研究的目的:

• 开发一种先进的滚动轴承故障诊断方法,解决特征提取和跨领域概括的局限性.
• 通过多级特征融合和注意力机制,提高诊断准确度和防噪能力.
• 通过转移学习,在各种操作条件,设备类型和虚拟现实迁移中实现有效的故障诊断.

主要方法:

• 设计了一个多尺度的卷积聚变层,用于在多个时间尺度上从振动信号中有效地提取断层特征.
• 采用多头注意力机制的特征编码融合模块用于增强特征融合和上下文建模.
• 域调整 (DA) 跨域特征对抗学习被实施以实现域不变特征提取,最大限度地减少数据分布差异.

主要成果:

• 拟议的方法在跨领域和可变负载环境中表现出卓越的性能.
• 使用公共和专用车辆轴承数据集的实验验证显示出异常的诊断准确性.
• 该方法在多个跨领域的转移学习任务中实现了高达98.65%的平均迁移故障诊断准确率.

结论:

• 开发的方法显著提高了用于滚动轴承故障诊断的数据特征提取能力.
• 该方法为故障诊断提供了强大而准确的解决方案,特别是在跨领域和复杂的操作场景中.
• 这项工作推动了智能故障诊断领域的发展,通过使滚动轴承的有效转移学习成为可能.