基于ResFCN深度转移学习模型的小型和不平衡数据的跨机器智能故障诊断方法

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 机械设备的智能故障诊断 (IFD) 通常依赖于转移学习,通常假设源域和目标域共享相同的设备.
• 在现实世界中,应用程序面临的局限性是由于难以从相同的设备中获取数据来进行源域培训.
• 现有的方法不足以解决时间序列监测数据中固有的时间特征.

研究的目的:

• 提出一种新的跨机器IFD方法,克服传统转移学习方法的局限性.
• 为了有效地利用监控数据中的时间序列特征,以改善故障诊断.
• 为了使目标设备的准确故障诊断能够使用不同源设备的数据.

主要方法:

• 使用一个剩余的全卷积神经网络 (ResFCN) 转移学习模型.
• 基于滑动窗口 (SW) 的数据分割用于处理时间序列数据.
• 在源域上进行网络预训练,然后在目标域上进行模型微调.

主要成果:

• 拟议的跨机器IFD方法与现有方法相比,显示出更高的性能.
• 该方法在故障诊断中实现了高准确性和稳定性,即使是小而不平衡的数据集.
• 使用两个公共数据集进行的实验验证证证了该方法的有效性.

结论:

• 开发的基于ResFCN的转移学习模型成功地解决了跨机器故障诊断的挑战.
• 整合时间序列特征和域调整技术可以提高诊断准确性和适用性.
• 这种方法为现实世界的工业故障诊断场景提供了实际的解决方案.