阿尔托轮故障数据集用于基于深度学习的诊断

科学领域:

• 机械工程 机械工程
• 数据科学数据科学数据科学
• 人工智能的人工智能

背景情况:

• 使用深度学习进行准确的系统健康状况预测受到不充分和多样化的现实数据的阻碍.
• 开发强大的故障诊断模型需要广泛的数据集,以捕捉各种操作条件和故障模式.

研究的目的:

• 介绍两个新的,广泛的数据集:阿尔托Shim数据集和阿尔托轮断层数据集.
• 为推进基于深度学习的机械系统故障诊断提供有价值的资源.
• 促进开发和测试更广泛,更强大的智能故障诊断模型.

主要方法:

• 在受控的实验室条件下,在一个缩小的自行方向推进器测试台上收集数据.
• 包括各种各样的轮故障,包括合成和现实的故障模式.
• 利用多个传感器在各种故障类型,严重程度和操作条件中捕获数据.

主要成果:

• 这些数据集提供了各种场景下关于轮故障的全面数据.
• 详细介绍了创建合成故障和复制常见轮故障的方法.
• 收集的数据可以作为培训和验证深度学习模型的宝贵资源.

结论:

• 阿尔托Shim和阿尔托轮故障数据集解决了对深度学习故障诊断中广泛数据的关键需求.
• 这些资源将大大有助于提高智能诊断系统的普遍性和稳定性.
• 这些数据集使研究人员能够更有效地开发和测试先进的故障诊断模型.