轮传动系统的可解释健康状况监测方法嵌入在特征云引导的超图结构中,在极小样本的背景下

科学领域:

• 机械工程 机械工程
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 变速箱状况监测面临极限数据的重大挑战,影响诊断准确性和设备可靠性.
• 现有的方法在小样本约束下在低维多元学习中与子空间解决方案的不稳定性作斗争.

研究的目的:

• 提出一种可解释的超图区分嵌入方法,结合功能云增强,用于变速箱状态监控.
• 为了解决诊断变速箱健康状况的极小样本条件的关键问题.

主要方法:

• 建立了一个监督的特征学习框架,使用超图来将原始变速箱健康特征映射到一个低维的多重空间中.
• 开发了一种创新的基于云的功能增强方法,以创建增强功能矩阵,减轻小样本限制.
• 使用传动系统诊断模拟器故障数据集和现实世界风力轮机变速箱故障监测数据验证了该方法.

主要成果:

• 建议的超图区分嵌入方法有效地提取各种健康状况的高度区分的特征表示.
• 功能云增强确保了超图学习的有效性和稳定性,克服了小样本大小的局限性.
• 广泛的测试证实了该方法在极小样本条件下准确监测变速箱健康状况的能力.

结论:

• 开发的可解释的超图区分嵌入方法与功能云增强显著增强变速箱状态监控能力.
• 这种方法提高了设备操作的可靠性和安全性,即使使用最小的数据也能提供准确的诊断.
• 该研究提供了一个强大的解决方案,用于在严重数据稀缺的情况下监测条件.