一种基于深度学习的方法,用于通过几次学习来进行故障诊断
Yang Li1, Xiaojiao Gu1, Yonghe Wei1
1College of Mechanical Engineering, Shenyang Ligong University, Nanping Middle Road 6, Shenyang 110159, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究引入了一种新的深度学习方法,用于在有限的数据基础上对滚动轴承进行故障诊断. 与扩散模型相结合的KANs-CNN网络在小样本场景中显著提高了诊断准确性.
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:
- 对于故障诊断的深度学习通常在有限的样本数据中扎.
- 滚动轴承的故障在工业机械维护中至关重要.
研究的目的:
- 开发一个准确的故障诊断方法,在小样本条件下的滚动轴承.
- 利用深度学习和数据增强来提高诊断性能.
主要方法:
- 振动信号转换为时间频率图像使用连续波形变换.
- 使用与Kolmogorov-Arnold网络 (KANs) 集成的卷积神经网络 (CNN) 进行特征提取.
- 通过扩散网络进行数据增强,以应对有限的样本大小.
- 使用特征注意网络 (FAN) 模块进行特征聚合.
主要成果:
- 拟议的KANs-CNN与扩散模型在小样本故障诊断中实现了卓越的准确性.
- 集成KAN有效地提取复杂的非线性特征.
- FAN模块通过聚合多层次信息来增强特征表示.
结论:
- 该KANs-CNN和扩散网络的方法提供了一个强大的解决方案,用于滚动轴承故障诊断有限的数据.
- 该方法显示了提高工业设备可靠性和维护策略的巨大潜力.
更多相关视频
05:49Author Spotlight: Deciphering Electrical Networks Behind Complex Brain Activities and Disorders
Published on: November 1, 2024
714
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.6K
