在多种操作条件下使用传感器数据进行轴承异常检测的多层次自我监督方法.
Zhuoheng Dai1, Lei Jiang1, Feifan Li1
1College of Science and Technology, Ningbo University, Ningbo 315300, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
本研究介绍了一种使用对比学习和重建的先进轴承早期异常检测方法. 该技术实现了高精度,并且比现有的无监督方法更早地检测出故障.
科学领域:
- 机械工程 机械工程
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 工业设备故障是昂贵和破坏性的.
- 早期故障检测对于预测性维护至关重要.
- 挑战包括不平衡的数据和不断变化的操作模式.
研究的目的:
- 为工业轴承开发一种有效的早期异常检测方法.
- 为了解决数据不平衡和故障检测中的操作变化.
- 为了提高故障识别的准确性和及时性.
主要方法:
- 利用Ricker波波变换来降低噪声和从振动数据中提取信号.
- 采用基于BYOL的对比学习网络来进行歧视性的全球特征表示.
- 整合了一个重建损失来学习本地细节并保持数据完整性.
主要成果:
- 在CWRU数据集上实现了96.97%的平均故障检测准确度.
- 在IMS数据集中至少比其他无监督方法早2.3小时检测到早期故障.
- 在XJTU-SY数据集上表现出卓越的概括能力.
结论:
- 拟议的方法有效地检测在不同条件下早期的轴承故障.
- 它克服了传统无监督方法的局限性,因为不需要负样本.
- 该方法在准确性和早期检测能力方面提供了卓越的性能.


