基于因果解的隐藏马尔科夫模型用于跨域轴承故障诊断

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 预测性维护是指预测性维护.

背景情况:

• 工业机械的准确故障诊断对于预测性维护至关重要.
• 深度学习显示出有希望的结果,但由于有限的工业失败数据,它在一般化方面存在困难.
• 现有的方法往往忽略信号理论原则,以支持纯数据驱动的方法.

研究的目的:

• 为在复杂的工业条件下的轴承开发一种强大且可通用的故障诊断方法.
• 通过利用因果推断和转移学习来应对有限的工业故障数据的挑战.
• 提高预测性维护系统的准确性和可靠性.

主要方法:

• 提出了基于因果解的隐藏马尔科夫模型 (CDHM),以捕捉振动信号的潜在因果关系.
• 构建了一个时间序列结构因果模型 (SCM) 来表示信号互连.
• 设计了一种隐藏的马科维亚变量自编码器 (VAE),用于分离与故障相关的和与故障无关的信号组件.
• 借助跨域一致性和域敏感性来相互加强因果解和转移学习的优化.

主要成果:

• CDHM有效地将基本故障模式从轴承振动信号中的系统和环境干扰中解脱出来.
• 该模型在各种操作条件中展示了强大的泛化,在CWRU,IMS和PU数据集上进行了验证.
• 与传统的信号处理和深度学习方法相比,实现了更准确和更普遍的故障表示.

结论:

• 通过结合因果推断,CDHM为轴承振动信号分析提供了一个新的视角.
• 拟议的方法显著提高了工业环境中故障诊断的稳定性和通用性.
• 在预测性维护中,CDHM显示了实用工业应用的巨大潜力.