多变量融合共变矩阵网络及其在使用较少训练样本进行多通道故障诊断中的应用

科学领域:

• 工程 工程师 工程师 工程师
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 机器故障诊断面临诸多监控变量和单通道信号局限性的挑战.
• 现有的智能识别方法通常需要大量的标记样本,这些样本成本昂贵,在现实世界工程场景中不切实际.

研究的目的:

• 开发一种新的多变量融合共变矩阵网络 (MFCMN),用于有效的多通道故障诊断.
• 为了应对在实际工程应用中有限的标记训练样本的挑战.
• 提高故障诊断系统的准确性和性能.

主要方法:

• 多通道信号通过循环自相对应分析被分解成模式函数.
• 模式函数用于构建多变量融合共变矩阵 (MFCM),保持通道间信号关系.
• 该MFCM与标准自动编码器集成,以创建用于故障诊断的MFCMN.

主要成果:

• 在多通道故障诊断任务中,MFCMN表现出卓越的性能和高准确性.
• 对比分析显示,MFCMN的表现优于深度残余网络 (ResNet),卷积神经网络 (CNN),长期短期记忆 (LSTM) 和K-最近邻居 (KNN).
• 即使使用较少的培训样本,建议的方法也有效.

结论:

• 开发的MFCMN为多通道故障诊断提供了强大而准确的解决方案.
• 该MFCMN有效地处理多变量数据的复杂性和标记样本的稀缺性.
• 这种方法显著推进了工程应用中的智能故障诊断领域.