基于多源信息的轴承故障诊断使用多分支选择性融合深剩余网络

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:

• 滚动轴承在工业机械中至关重要,但传统的故障诊断与杂和减弱的传感器信号作斗争.
• 现有的多源方法面临信号冗余的挑战,并且无法考虑不同的信号特征,从而限制了深度学习的性能.
• 根据个别信号源量身定制的自适应特征提取提供了提高诊断精度的潜力.

研究的目的:

• 提出一种新的深度学习模型,用于稳固的滚动轴承故障诊断.
• 为了应对信号噪声,传输减弱和多源数据中信号间冗余的挑战.
• 通过适应性处理各种信号特征来提高诊断准确性.

主要方法:

• 一个多行业的选择性聚变深度残留网络被开发出来.
• 每个信号源都使用一个独特的特征处理通道来防止盲式合.
• 使用自适应卷积内核大小和掉落技术来提取多尺度特征并减少冗余.

主要成果:

• 与其他智能方法相比,拟议的模型表现出卓越的性能.
• 在两个公共承载数据集上的实验验证证证了它的可行性和有效性.
• 多部门的方法成功地缓解了信息冗余和信号特征差异的问题.

结论:

• 多分支选择性聚变深度残留网络为滚动轴承故障诊断提供了卓越的解决方案.
• 适应性特征提取和选择性融合提高了诊断可靠性和精度.
• 该模型有效地克服了传统和现有的多源故障诊断技术的局限性.