一种基于差异化特征提取的基于未知操作条件的轴承故障诊断方法
Wei Cao1, Zong Meng1, Jimeng Li1
1Yanshan University, Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Qinhuangdao, Hebei, China.
ISA transactions
|October 30, 2024
概括
本研究介绍了用于滚动轴承故障诊断的特征分解学习方法. 它提取可转移和特定领域的特征,改善在未知的操作条件下检测缺陷.
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:
- 域泛化对于在未知条件下滚动轴承故障诊断至关重要.
- 现有的方法可能会忽略特定领域的特征,只关注可转移的特征.
- 这种限制阻碍了在各种操作环境中准确检测故障.
研究的目的:
- 为滚动轴承故障诊断开发一种新的特性分解学习方法.
- 同时提取域间可转移的和域特定的特征.
- 为了提高在未知的操作条件下故障检测的稳定性和准确性.
主要方法:
- 建议采用特征分解学习方法.
- 不同的特征提取器是为了捕获不同的特征类型而设计的.
- 一种基于中心时刻差异的联合度量方法提取可转移的特征.
- 用于域特定特征提取的差异最大化方法.
主要成果:
- 拟议的方法成功地提取了可转移和特定领域的特征.
- 实验结果表明,与现有方法相比,缺陷检测能力优越.
- 该技术在两个不同的数据集中显示了增强的性能.
结论:
- 特性分解学习方法为故障诊断提供了更丰富的特性信息.
- 这种方法有效地解决了仅专注于可转移特征的局限性.
- 这项研究推进了滚动轴承故障诊断领域,提高了准确性和可靠性.


