在机中使用CWT图像增强和殖民地优化的增强故障诊断 AlexNet
Niamat Ullah1, Muhammad Umar1, Jae-Young Kim1
1PD Technology Co., Ltd., Ulsan 44610, Republic of Korea.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种先进的机器学习方法,用于机故障分类. 它准确地识别工具,轴承和轮故障,使用图像处理和深度学习进行预测性维护.
科学领域:
- 机械工程 机械工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 像机这样的工业机械容易出现各种故障.
- 早期故障检测对于防止停机和确保运营效率至关重要.
- 现有的故障诊断方法在复杂的工业环境中可能缺乏准确性或效率.
研究的目的:
- 提出一种新的,高度准确的方法来分类机的故障.
- 利用先进的图像处理和机器学习来增强故障检测.
- 开发一个强大的工业故障诊断和预测性维护系统.
主要方法:
- 收集的工业数据代表了工具,轴承和轮故障以及正常情况.
- 将数据转换为2D连续波形变换 (CWT) 图像,用于时间频率分析.
- 增强了CWT图像,应用了对比度增强,并使用了修改后的AlexNet与剩余块进行特征提取.
- 使用殖民地优化优化优化了深层特征,并使用支持矢量机器 (SVM) 将它们分类.
主要成果:
- 拟议的方法在区分不同类型的故障和正常条件方面取得了高精度.
- 经过修改的AlexNet有效地从CWT图像中提取空间和时间特征.
- 殖民地优化成功地减少了特征维度,同时保留了关键信息.
- 与现有的最先进的故障分类方法相比,该系统表现出卓越的性能.
结论:
- 开发的方法在机故障分类准确度上提供了显著的改进.
- 这种方法是实时工业故障诊断的有希望的解决方案.
- 该方法有可能在各行各业的预测性维护策略中得到更广泛的应用.
