滚动轴承故障识别与声辐射信号基于可变共享多层卷积神经网络
Yue Zhang1, Yang Yu2, Zheng Yang1
1College of Information Science and Engineering, Shenyang University of Technology, Shenyang, 110027, China.
Scientific reports
|May 5, 2025
概括
一种新的变量聚合多尺度CNN (VPMCNN) 方法提高了使用声辐射 (AE) 信号的轴承故障识别. 这种方法有效地从复杂的信号中提取关键特征,在各种操作条件下提高诊断精度.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 轴承故障是关键的工业问题,通常以具有可变特征和多尺度属性的复杂声辐射 (AE) 信号为特征.
- 传统方法难以有效地提取和分类这些复杂的信号特征,导致诊断挑战.
研究的目的:
- 提出一种新的故障识别方法,即可变聚合多尺度CNN (VPMCNN),用于使用AE信号进行轴承诊断.
- 解决传统方法在处理AE信号固有的可变特征和多尺度特征方面的局限性.
主要方法:
- 利用可变聚合层获得聚合投影组件 (PPC),专注于加权特征以改善分类.
- 引入了改进的多尺度聚变功能模块,通过自动识别多个尺度特征来提取化组件 (FC).
- 雇员全球平均汇总 (GAP) 进行最终分类.
主要成果:
- VPMCNN方法在使用AE信号识别轴承故障方面表现出有效性.
- 在单一和可变的操作条件下都取得了成功的验证.
- 与现有的基于AE的轴承故障识别技术相比,拟议的方法显示出更高的性能.
结论:
- 在工业环境中,VPMCNN方法为轴承故障识别提供了强大而有效的解决方案.
- 这种方法成功地处理了AE信号的复杂性,提供了更高的诊断准确性.
- 这项研究为预测性维护和机械健康监测提供了有价值的工具.
