最小最大调节的多尺度卷积神经网络及其在旋转机器智能故障诊断中的应用
Yaochun Wu1, Shaohua Du1, Guijun Wu2
1School of Mechanical Engineering, Anyang Institute of Technology, Anyang 455000, China.
ISA transactions
|February 13, 2025
概括
这项研究引入了一种新的多尺度CNN用于旋转机器故障诊断. 该方法通过使用多样化的内核和规则化的损失函数来提高噪音,不平衡数据的准确性.
科学领域:
- 工程 工程师 工程师 工程师
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 卷积神经网络 (CNN) 在旋转机器智能故障诊断方面表现有前途.
- 限制包括单级内核和交叉损失,导致在杂或不平衡的数据环境中性能差.
- 现有的方法在具有挑战性的条件下难以通用和准确.
研究的目的:
- 为旋转机器提出一种新的故障识别方法,可以克服传统CNN的局限性.
- 为了提高诊断性能和概括能力,在环境中,具有强大的背景噪声和不平衡的数据.
- 提高智能故障诊断系统的稳定性和准确性.
主要方法:
- 开发了一个最小最大规范化的多尺度CNN (MMRMCNN).
- 整合了一个多尺度的特征提取模块,具有多种规模的卷积内核.
- 引入了最小最大规范化的目标函数,以提高类的紧性和分离性.
主要成果:
- 在测量数据集上实现了超过97.79%的故障识别准确度.
- 在噪音条件下显示的高精度超过94.81%,在数据不平衡的情况下显示的高精度超过94.72%.
- MMRMCNN有效地减轻噪音和数据不平衡对故障诊断的影响.
结论:
- 拟议的MMRMCNN方法显著提高了旋转机器故障识别的准确性.
- 该方法在具有强大的背景噪声和不平衡数据的具有挑战性的场景中表现出卓越的性能.
- 这项工作推动了旋转机器的智能故障诊断,提供了更强大,更可靠的解决方案.
