基于改进的多尺度CNN的高效变速箱故障诊断,具有轻量级卷积注意力
Bin Yuan1, Yaoqi Li1, Suifan Chen1
1College of Mechanical and Energy Engineering, Zhejiang University of Science and Technology, Hangzhou 310013, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究介绍了一个智能变速箱故障诊断框架,使用经验模式分解和一个新的神经网络. 该模型的精度超过98.9%,在复杂的工业条件下提供强大的性能.
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:
- 变速箱的操作对于工业机械的可靠性和寿命至关重要.
- 准确的故障诊断对于防止灾难性故障和确保运营连续性至关重要.
研究的目的:
- 为变速箱开发一个智能故障诊断框架.
- 提高诊断的准确性和稳定性,特别是在复杂的工作条件下.
主要方法:
- 提出了一个智能诊断框架,结合实证模式分解和多式模式特征协同优化.
- 开发了一个故障诊断模型,将多尺度卷积神经网络 (MS-CNN) 和轻量级卷积注意力 (LCA) 模型融合在一起.
- 利用动态卷积内核生成和分组卷积来实现高效的局部-全球特征建模.
主要成果:
- 拟议的模型实现了超过98.9%的诊断准确性.
- 与现有方法相比,在变速和强噪声等复杂条件下表现出优越的性能.
- 轻量级的卷积注意力机制降低了计算复杂性,同时保持了高精度.
结论:
- 开发的智能诊断框架提供了高效和准确的变速箱故障检测.
- 该模型的强度使其适用于具有挑战性操作环境的真实世界工业应用.
- MS-CNN和LCA的合并为先进的机械健康监测提供了一个有希望的方法.
