基于多尺度分解局部特征的尖端卷积神经网络的运动故障诊断方法
Gongping Wu1, Zhiwen Huang1, Zhuo Long1
1College of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha, Hunan 410114, PR China.
ISA transactions
|June 3, 2025
概括
本研究介绍了一种先进的运动故障诊断方法,使用具有多尺度分解的尖端卷积神经网络 (SCNN). 该方法在识别低计算成本的电机故障方面实现了高精度 (高达99.49%).
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 传统的神经网络在运动故障诊断中与时间特征提取作斗争.
- 准确的电机故障诊断对于制造系统可靠性至关重要.
研究的目的:
- 提出一种使用多尺度分解的尖端卷积神经网络 (SCNN) 的新型运动故障诊断方法.
- 增强特征表示和模型概括,以提高诊断准确度.
主要方法:
- 利用离散波纹转换器 (DWT) 来进行电机故障信号的多尺度分解.
- 雇佣的高斯人口编码时间尖端生成和尖端卷积神经网络 (SCNN).
- 通过时间进行集成批量规范化 (BNTT) 和替代梯度方法,以实现稳定和高效的训练.
主要成果:
- 达到高测试准确度:在感应电机数据集 (IMDS) 上达到99.49%,在Case Western Reserve University (CWRU) 数据集上达到96.31%.
- 在各种尺度 (频率和时间) 上证明有效地提取当地特征.
- 与传统方法相比,展示了较低的计算成本.
结论:
- 提出的基于SCNN的方法显著提高了电机故障诊断的准确性和概括性.
- 整合DWT,高斯编码,BNTT和替代梯度提供了一个强大的和高效的解决方案.
- 该方法为制造系统中电机故障诊断提供了一种可靠且计算成本低廉的方法.
