一个轴承故障诊断模型,基于简化的宽卷积神经网络和随机森林
Qikai Zhang1, Yunan Yao1, Yage Huang1
1School of Naval and Power Engineering, Wuhan University of Technology, Wuhan 430070, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
本研究引入了一种改进的SWDCNN-RF模型,用于使用振动信号进行船舶轴承故障诊断. 改进后的模型显著提高了诊断速度和准确性,有助于及时评估设备的可靠性.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 轴承的运行状态对于船舶机械系统至关重要,并且与振动信号密切相关.
- 准确的轴承故障诊断对于保持设备可靠性和操作安全至关重要.
研究的目的:
- 为了解决在混合速度下轴承故障诊断的精度和响应速度的局限性.
- 引入一个改进的深度学习模型,用于增强轴承故障检测.
主要方法:
- 开发了一个改进的简单窗口深卷积神经网络与随机森林 (SWDCNN-RF) 模型.
- 该模型基于传统的广泛卷积神经网络 (WDCNN) 进行了增强.
- 性能使用来自西部储备大学的公开球轴承数据集进行了验证.
主要成果:
- 在SWDCNN-RF模型中,操作速度增加了38.51%.
- 诊断准确度在50年代从97.5%提高到99.6%.
- 与传统方法相比,该模型表现出更快的融合和减少的培训波动.
结论:
- 改进的SWDCNN-RF模型为轴承故障诊断提供了卓越的性能.
- 这一进步对于确定轴承故障发生时间和类型具有重要意义.
- 这些发现为设备可靠性评估和故障诊断提供了有价值的标准.
