使用可调整的Q因子波量变换检测形滚球轴承的故障检测和使用长期短期内存网络故障分类
A Anwarsha1, Narendiranath Babu T2
1School of Mechanical Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, 632 014, India.
Scientific reports
|March 21, 2025
概括
对于工业机械来说,形滚筒轴承的早期故障检测至关重要. 使用可调整Q因子波形变换 (TQWT) 和长短记忆 (LSTM) 网络的新方法实现了高度准确的轴承故障诊断和分类.
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:
- 圆形滚筒轴承是重型工业机械的关键部件.
- 早期故障检测和预后对于运行可靠性和维护至关重要.
- 人工智能和大数据的进步为改进故障诊断方法提供了潜力.
研究的目的:
- 开发和评估一个先进的故障诊断和分类策略的凸滚球轴承.
- 利用信号处理和机器学习来加强轴承健康监测.
- 将拟议的方法与现有技术进行比较.
主要方法:
- 使用可调整的Q因子波形变换器 (TQWT) 来有效处理轴承数据的信号.
- 采用长短期记忆 (LSTM) 神经网络进行准确的故障分类.
- 实验验证了TQWT-LSTM组合的性能.
主要成果:
- TQWT和LSTM组合证明了轴承故障的高效和可靠的诊断.
- 在分类不同类型的轴承故障方面取得了百分之百的准确性.
- 优于其他组合,包括变化模式分解 (VMD) 与卷积神经网络 (CNN).
结论:
- 拟议的TQWT-LSTM方法是轴承故障诊断和分类的优越方法.
- 这种由人工智能驱动的战略为工业机械维护的可靠性和准确性提供了显著的改善.
- 这些发现强调了先进的信号处理和深度学习在预测性维护中的潜力.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.5K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
933
