基于卷积块注意力模块-Xception轻量级神经网络的运动故障诊断
Fengyun Xie1,2,3, Qiuyang Fan1, Gang Li4
1School of Mechanical Electrical and Vehicle Engineering, East China Jiaotong University, Nanchang 330013, China.
Entropy (Basel, Switzerland)
|September 27, 2024
概括
这项研究引入了一种使用自动驾驶汽车振动信号的先进电机故障诊断方法. 这种新的方法通过精确识别发动机故障并提高速度来提高安全性和可靠性.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 汽车技术 汽车技术
背景情况:
- 电机对于自动驾驶汽车的运行至关重要.
- 通过有效的故障诊断来确保发动机的可靠性对于车辆安全至关重要.
研究的目的:
- 建议改进使用振动信号的电机故障诊断方法.
- 提高自动驾驶汽车电机故障检测的准确性和效率.
主要方法:
- 从不同运行状态和频率的电机收集了振动信号.
- 格拉姆图像编码将时间域振动数据转换为灰度图像,突出显示故障特征.
- 一个轻量级的神经网络,Xception,用卷积块注意力模块 (CBAM) 进行了增强,以提高特征的重要性.
主要成果:
- 与传统的卷积神经网络 (CNN),ResNet和标准的Xception模型相比,拟议的方法显示出更高的识别精度.
- 整合CBAM和Gram图像编码导致更快的代速度,而不会影响计算复杂性或准确性.
- 改进的Xception模型通过专注于关键特征信息,有效地识别了运动故障.
结论:
- 开发的电机故障诊断技术在检测自动驾驶汽车电机故障方面取得了重大进展.
- 这种方法为确保无人驾驶汽车的安全性和运行完整性提供了更可靠和更有效的解决方案.
- 格拉姆图像编码,CBAM和轻量级神经网络的结合为智能汽车维护提供了一个有希望的方向.
