这是一种混合方法,结合了深度学习和信号处理,用于在不平衡的样本和多个操作条件下进行轴承故障诊断
Benjie Zhang1, Wei Wang2, Yan He1
1Graduate School of Northeast Forestry University, Harbin City, 150040, China.
Scientific reports
|April 19, 2025
概括
本研究介绍了使用生成对抗网络 (GAN) 和转移学习的混合轴承故障诊断方法. 这种方法在各种操作条件下提高了诊断的准确性和稳定性.
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:
- 轴承故障显著影响机器的性能和安全.
- 在不同的操作条件下,准确的故障诊断仍然是一个挑战.
研究的目的:
- 开发一种强大的混合方法,用于轴承故障诊断.
- 为了提高诊断准确性和泛化能力在不同的操作条件.
主要方法:
- 利用生成对抗网络 (GAN) 来进行数据增强.
- 应用波形变换用于振动信号的时间频率表示.
- 采用了具有多头注意力的非对称卷积网络 (MAC-MHA) 来进行特征提取.
- 综合转移学习以增强模型通用化.
主要成果:
- 拟议的混合方法显示出高效率和稳定性.
- 在各种操作条件下,可以提高故障诊断的准确性.
- 在PADERBORN和CWRU数据集上的验证证实了该方法的有效性.
结论:
- 混合方法有效地解决了轴承故障诊断方面的挑战.
- 将GANs,波量变换,MAC-MHA和转移学习相结合,提供了一个强大的解决方案.
- 该方法显示了现实世界工业应用的巨大潜力.


