基于GCGAN-MDSCNN-ICA模型的轻型机械设备故障诊断框架
Longyi Liu1,2, Yanqing Zhao1,2, Yi Hu3,4
1Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang, 110168, China.
Scientific reports
|February 10, 2025
概括
这项研究引入了高精度,低资源故障诊断的新框架. 它使用生成对抗网络 (GAN) 来增强数据,并使用轻量级模型进行高效的时空特征提取,达到接近100%的准确性.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 工业故障诊断面临着数据不平衡,样本有限和高计算成本的挑战.
- 现有的方法在现实世界生产环境中难以实现效率和准确性.
研究的目的:
- 开发一个高精度,低资源,端到端的故障诊断框架.
- 解决工业故障诊断中的数据不平衡和计算复杂性.
主要方法:
- 提出了一种使用生成对抗网络 (GAN) 与卷积神经网络 (CNN) 和门式循环单元 (GRU) 的数据增强方法.
- 开发了一种轻量级的故障诊断模型 (MDSCNN-ICA-BiGRU),使用深度可分离的卷积,坐标注意力 (CA) 和双向GRU (BiGRU) 进行时空特征融合.
- 集成了一种平滑的架交叉丧功能,以提高训练稳定性.
主要成果:
- 基于GAN的数据增强使CNN分类准确度提高了10%.
- 与基准方法相比,MDSCNN-ICA-BiGRU模型实现了接近100%的准确性,计算成本减少了大约70%.
- 该框架展示了强度和概括能力,在杂的环境中保持高精度.
结论:
- 拟议的框架有效地解决了工业故障诊断中的数据不平衡和计算挑战.
- 先进的数据增强和轻量级深度学习模型的结合为高效和准确的故障诊断提供了有前途的解决方案.
更多相关视频
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
10.1K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
951
