信封频谱知识导向域不变表示学习策略,用于轴承智能故障诊断
1School of Advanced Manufacturing Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China; State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing 400016, China; Postdoctoral Research Workstation of Chongqing Information Accessibility and Service Robot Engineering Technology Research Center, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
本研究介绍了一个域不变表示学习策略 (DIRLs),用于稳健的轴承故障诊断. 通过整合频谱知识和改善代表性多样性,DIRLs提高了不同操作条件的准确性.
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:
- 传统的轴承故障诊断模型与不同的旋转速度和负载作斗争,违反独立性假设.
- 目前用于轴承故障诊断的表示学习方法往往忽视了跨不同工作条件的频谱知识和多样性.
研究的目的:
- 开发一个域不变的表示学习策略 (DIRLs) 以在不同的工作条件下有效地进行轴承故障诊断.
- 提高轴承健康状况监测系统的稳定性和准确性.
主要方法:
- 利用信封频谱知识蒸来捕获富里埃特征作为域不变特征.
- 调整不同工作条件样本的高级统计数据,以确保可靠的健康状况表示.
- 设计一种创新的损失函数,以最大限度地利用两种范式的度量来丰富表示多样性.
主要成果:
- 在Paderborn-bearing数据集上实现了平均曲线下面积 (AUC) 28.6%的改善.
- 在私人轴承数据集上显示了88.7%的整体诊断准确度.
- 验证了DIRL在处理工作条件变化的有效性.
结论:
- 拟议的DIRLs方法显著提高了轴承故障诊断的准确性和稳定性,在不同的操作条件下.
- 整合频谱知识和增强代表性多样性对于先进的轴承健康监测至关重要.
- 对于需要可靠的轴承故障检测的现实应用,DIRLs提供了一种有前途的方法.
相关概念视频
Bearings: Problem Solving
IR Frequency Region: Fingerprint Region
IR Spectrum Peak Splitting: Symmetric vs Asymmetric Vibrations
Journal Bearings
To better understand the concept of journal bearings, consider a rope winch with dry or...
Discrete Fourier Transform
NMR Spectrometers: Resolution and Error Correction


