具有多头注意力的动态时间性denoise神经网络,用于在背景噪音下进行故障诊断
Zhongzhi Li1, Rong Fan1, Jinyi Ma1
1Department of Aeronautics and Astronautics, Fudan University, Shanghai 056004, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究介绍了用于机械故障诊断的动态时代代代索神经网络 (DTDNet). DTDNet有效地降低了振动信号中的噪声,大大提高了分类准确度,从而提高了运行安全.
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:
- 故障诊断对于机械系统安全至关重要.
- 深度学习 (DL) 是有前途的,但与杂的振动信号作斗争.
- 噪音源于复杂的信号调制和组件相互作用.
研究的目的:
- 开发一种新的深度学习模型,用于强大的故障诊断.
- 为了应对振动信号中的噪声干扰的挑战.
- 为了提高机械故障检测的准确性和可靠性.
主要方法:
- 提出了动态时间无线神经网络 (DTDNet).
- 将1D信号转换为2D张量器,使用信号周期性进行多尺度2D卷积.
- 引入了一个用于噪声过的时间变量无声 (TVD) 模块.
- 实现了多头注意力融合 (MAF) 模块,用于特征加权.
主要成果:
- DTDNet有效地减少了振动信号中的噪声.
- 在故障分类性能方面取得了显著的改进.
- 在基准数据集上超越了最先进的方法 (Case Western Reserve,真实飞机).
结论:
- 对于杂的故障诊断任务,DTDNet提供了一种高性能解决方案.
- 该模型对于确保机械系统运行安全具有重要的应用价值.
- 这种方法在现实场景中提高了数据驱动故障诊断的可靠性.
