有效的智能故障诊断方法和基于卷积网络和视觉变压器特征的融合图形用户界面的开发
Chaoquan Mo1, Ke Huang2, Houxin Ji3
1College of Mechanical & Electrical Engineering, Wenzhou University, Wenzhou, 325035, China. 22451439021@stu.wzu.edu.cn.
Scientific reports
|February 27, 2025
概括
一种新的轻量级方法融合了卷积神经网络 (CNN) 和视觉转换器 (ViT) 来进行机械故障诊断. 这种方法实现了100%的准确性与高效率,使实际应用.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 卷积神经网络 (CNN) 在机械故障诊断中擅长局部特征提取,但在全球背景下扎.
- 视觉转换器 (ViT) 能够有效地捕捉全球依赖性,但通常会产生高的计算成本.
- 需要有效的方法,结合本地和全球特征提取,用于机械故障诊断.
研究的目的:
- 通过融合CNN和ViT功能,提出一种新,轻量级和高效的智能故障诊断方法.
- 提高机械故障诊断系统的准确性和计算效率.
- 开发一个实用的,基于GUI的实时机械设备故障检测系统.
主要方法:
- 提出了一个混合模型,融合卷积网络和视觉变压器功能 (FCNVT).
- 随机重叠采样 (ROS) 将信号预处理为二维同步波量变换 (SWT) 图像.
- FCNVT模型将CNN的本地特征提取与ViT的全球依赖性建模集成在一起.
主要成果:
- 在实验验证中,FCNVT方法在实验验证中达到高达100%的分类准确性.
- 该模型在计算上高效,具有700万个参数,成本为0.28G.
- 拟议的方法优于现有的最先进的故障诊断技术.
结论:
- FCNVT方法为智能机械故障诊断提供了高度准确和高效的解决方案.
- 开发的基于GUI的系统证明了FCNVT方法的实际适用性.
- 这项研究有助于推进机械设备的智能故障诊断.
