否认扩散隐含模型与TransNet相结合,用于在不平衡数据下进行滚动轴承故障诊断
Chaobing Wang1,2, Cong Huang2, Long Zhang1,2
1State Key Laboratory of Performance Monitoring and Protecting of Rail Transit Infrastructure, East China Jiaotong University, Nanchang 330013, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种新的智能故障诊断方法,使用无声扩散隐性模型 (DDIM) 和一个新的TransNet框架. 这种方法显著提高了工业设备的诊断精度和可靠性.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 数据失衡严重影响智能故障诊断的准确性,危及设备的可靠性和安全性.
- 现有的方法与不平衡的数据集作斗争,导致诊断性能不足.
研究的目的:
- 提出一种新的故障诊断方法,解决数据不平衡问题.
- 为了提高智能系统的诊断精度和概括能力.
主要方法:
- 使用格拉米安角差异场 (GADF) 生成2D图像.
- 增加数据与无声扩散隐性模型 (DDIM).
- 开发一个TransNet模型,将卷积神经网络 (CNN) 和变压器结合起来,用于全球数据处理和自我注意.
主要成果:
- 在CWRU轴承和南铁路局数据集上实现了超过99%的识别准确性.
- 与现有的故障诊断方法相比,证明了优越的概括性能.
- 成功地减轻了数据不平衡对诊断精度的影响.
结论:
- 拟议的DDIM增强的TransNet方法提供了一个强大的解决方案,用于智能故障诊断与不平衡的数据.
- 这种方法显著提高了工业应用中的诊断准确性,可靠性和安全性.
- 该方法显示了在设备健康监测中实际部署的巨大潜力.
