一个轻量级和精确的双轨1D和2D功能融合卷积网络用于机械设备故障诊断
Chaoquan Mo1, Ke Huang2, Houxin Ji3
1College of Mechanical and Electrical Engineering, Wenzhou University, Wenzhou, 325035, China. 22451439021@stu.wzu.edu.cn.
Scientific reports
|December 31, 2024
概括
本研究引入了一种新的双通道卷积神经网络 (1D_2DIFCNN),用于机械设备故障诊断. 该方法增强了特征学习和诊断准确性,即使数据有限和杂的条件.
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:
- 机械设备的智能诊断模型往往在单个特征输入,有限的训练数据和在噪音环境中性能差的情况下扎.
- 现有的方法在有效学习复杂的振动信号的特征方面面临挑战.
研究的目的:
- 为机械设备开发一种先进的故障诊断方法,克服当前方法的局限性.
- 提高诊断模型的准确性,稳定性和概括能力.
主要方法:
- 开发了一个一维和二维的双通道特征信息融合卷积神经网络 (1D_2DIFCNN).
- 集成了一个卷积块注意力机制来增强特征学习.
- 随机重叠采样技术用于原始振动信号处理.
- 该模型处理1D振动数据和2D连续波形变形图像.
主要成果:
- 拟议的1D_2DIFCNN方法与其他算法相比,显示了更快的收率.
- 实验验证显示了更高的诊断准确性和更好的稳定性和概括性能.
- 该模型有效地处理了噪音环境和训练数据的稀缺性.
结论:
- 1D_2DIFCNN方法为机械设备的智能故障诊断提供了卓越的解决方案.
- 这种方法提供了一个强大而准确的诊断工具,性能优于现有的先进算法.
