一种基于gram矩阵和多尺度卷积神经网络的滚动轴承故障诊断方法
Xinyan Zhang1, Shaobin Cai2,3, Wanchen Cai4
1College of Information Engineering, Huzhou University, Huzhou, Zhejiang, 313000, China.
Scientific reports
|December 31, 2024
概括
这项研究介绍了GMSCNN,这是一种用于诊断轴承故障的新方法. 它有效地降低了振动信号中的噪声,并增强了功能提取,用于强大的机械健康监测.
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:
- 滚动轴承对于旋转机械的安全性和可靠性至关重要.
- 轴承的智能故障诊断算法已经进步,但噪音干扰仍然是一个挑战.
- 复杂的工作环境将噪音引入振动信号,使故障诊断复杂化.
研究的目的:
- 提出一个端到端的轴承故障诊断方法,对噪声具有稳定性.
- 提高轴承故障诊断模型的准确性和概括能力.
- 解决噪音环境中现有方法的局限性.
主要方法:
- 格拉姆矩阵 (GM) 用于对振动信号的降噪.
- 多尺度卷积神经网络 (MSCNN) 用于在各种尺度上提取特征.
- 功能增强分支使用未经分化信号来丰富模型表示.
主要成果:
- 拟议的GMSCNN方法显示出强大的噪声稳定性.
- 在两个轴承数据集上的实验分析验证了该方法的有效性.
- 该方法成功捕获了不同频率和时间尺度的振动信号特征.
结论:
- 在噪音条件下,GMSCNN为智能轴承故障诊断提供了强大的解决方案.
- 将GM和MSCNN与功能增强集成,可以提高诊断准确性和可靠性.
- 这种方法有助于提高旋转机械的安全性和维护.
更多相关视频
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.6K
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
6.9K
