一种混合深度学习方法用于轴承故障诊断,使用连续波形变换和注意力增强的时空特征提取

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:

• 轴承故障在工业机械中至关重要,导致故障和停机时间.
• 准确的故障诊断对于预测性维护和运营效率至关重要.
• 传统的方法难以处理复杂的,非静止的振动信号.

研究的目的:

• 开发一个强大的混合深度学习模型,用于准确的轴承故障诊断.
• 为了增强从非静止和非线性振动信号的特征提取.
• 在不同的轴承数据集上验证模型的概括能力.

主要方法:

• 集成连续波形变换 (CWT) 用于时间频率分析.
• 开发一个注意力增强的时空特征提取框架.
• 使用多头自我注意 (MHSA),双向长期短期记忆 (BiLSTM) 和1D卷积残余网络 (1D conv ResNet).

主要成果:

• 混合模型有效地捕捉了振动信号的空间和时间依赖性.
• 证明了强大的抗噪力和精确的特征提取.
• 在实验室和Paderborn数据集上实现了高精度和故障类别之间的清晰分离性.

结论:

• 拟议的混合深度学习方法提供了精确可靠的轴承故障诊断.
• 该模型具有强大的概括能力,适合各种工业条件.
• 在复杂环境中实时预测性维护应用的巨大潜力.