一个通用的卷积神经网络模型,在模拟数据上训练,用于在各种轴承设计中进行故障诊断

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 滚动元件轴承 (REB) 在旋转机械中至关重要,但容易发生故障.
• 传统的故障检测方法是有限的,而机器学习 (ML) 和深度学习 (DL) 提供了更好的准确性.
• 现有的DL模型在工业环境中面临数据稀缺,概括和域调整等挑战.

研究的目的:

• 为准确的轴承故障分类开发一个强大的深度学习模型.
• 解决工业故障诊断中数据可用性和通用性的局限性.
• 增强智能故障诊断系统的实际应用.

主要方法:

• 一个卷积神经网络 (CNN) 模型被开发并使用数值模拟的振动数据进行训练.
• 集成了一种混合信号处理技术,以改善特征提取并最大限度地减少域移动.
• 该模型使用实验数据集和来自喷气发动机的真实世界的振动信号进行了验证.

主要成果:

• 在Case Western Reserve大学实验数据集上,CNN模型实现了高分类准确性.
• 在Safran喷气发动机地面测试中的真实世界的振动数据上,成功检测了故障.
• 该方法有效地解决了与培训数据稀缺性和模型通用性相关的挑战.

结论:

• 开发的基于CNN的模型在轴承故障分类方面表现出显著的有效性.
• 该研究验证了模拟数据和混合信号处理的使用,以进行可靠的故障诊断.
• 这些发现有助于推进各种工业应用的智能故障诊断.