使用改进的囊网络和罗神经网络,对具有小样本尺寸的轴承进行故障诊断
Jarula Yasenjiang1, Yang Xiao1, Chao He1
1College of Intelligent Manufacturing and Industrial Modernization, Xinjiang University, Urumqi 830017, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
这项研究引入了改进的囊网络和语神经网络,用于轴承故障诊断,在有限的数据中提高准确性并减少转移学习时间. 该方法有效地提取特征,并改善模型概括,以实现可靠的诊断.
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:
- 轴承故障诊断面临的挑战是精度低,传输学习时间长,特别是数据有限,噪音高,特征提取差.
- 现有的方法很难有效地捕捉复杂的故障特征,并在各种条件下很好地概括.
研究的目的:
- 开发一种强大而高效的小样本轴承故障诊断方法.
- 通过增强特征提取和模型概括,提高诊断准确度并减少转移学习时间.
主要方法:
- 这是一种新的方法,将改进的囊网络与罗神经网络相结合.
- 使用多视图数据分区进行数据丰富和马尔科夫转换,将1D振动信号转换为2D图像.
- 集成SKNet用于动态特征融合,以提高概括性和优化传输效率.
主要成果:
- 拟议的方法在识别轴承故障方面达到很高的准确性,即使采用有限的样本和高噪音水平.
- 与现有方法相比,转移学习时间和模型复杂性的显著减少.
- 通过囊网络的动态路由和SKNet集成,增强了功能表示和稳定性.
结论:
- 结合囊网络和罗神经网络的方法为准确和高效的轴承故障诊断提供了一个有前途的解决方案.
- 该方法有效地解决了小样本数据集和杂环境的限制.
- 集成SKNet进一步优化模型,以提高转移学习和概括性能.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
973
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
947
