无监督学习用于机器自适应故障检测使用宽深卷积自编码器与内核化注意力机制.

科学领域:

• 机器学习 机器学习
• 人工智能的人工智能
• 工业工程 工业工程 工业工程

背景情况:

• 在复杂的工业环境中,用于轴承故障诊断的无监督深度学习具有挑战性.
• 传统的故障检测方法需要昂贵和劳动密集型的标记数据.
• 不平衡的数据集对故障检测模型构成重大稳定性挑战.

研究的目的:

• 提出一种新的无监督深度学习方法,用于轴承故障诊断.
• 在复杂的工业环境中提高故障检测的准确性和稳定性.
• 为了解决需要标记数据的传统方法的局限性.

主要方法:

• 开发了一个与大型内核注意力 (LKA) 机制集成的宽内核卷积自动编码器 (WDCAE).
• 包含一个自适应值模块,使用多层感知器 (MLP) 进行动态值调整.
• 在CWRU数据集和定制的球螺丝数据集上验证了模型.

主要成果:

• 在CWRU数据集上达到90.29%的平均诊断准确度,在定制球螺丝数据集上达到72.89%.
• 在不平衡的数据条件下表现出了显著的稳定性.
• 超越了传统和最先进的方法,减少了10-26%的培训时间,并提高了5-10%的准确性.

结论:

• WDCAE-LKA模型为智能故障诊断提供了强大而有效的无监督解决方案.
• 拟议的方法显著提高了在工业应用中的诊断准确性和模型稳定性.
• 这种方法减轻了对广泛标记数据的需求,使故障诊断变得更加实用.