基于SKN注意力机制和深度转移学习的可变条件行星变速箱故障诊断方法的研究

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 状态监控 状态监控

背景情况:

• 行星变速箱在许多工业应用中至关重要,但由于多合故障和数据不一致,它们的故障诊断具有挑战性.
• 现有的深度学习模型在不同的操作条件下扎,导致故障识别率降低.
• 数据模糊性和故障数据的分布差异进一步使准确的诊断变得复杂.

研究的目的:

• 为行星变速箱故障诊断提出深度转移学习方法,以应对可变操作条件带来的挑战.
• 增强特征提取能力,减少源域和目标域之间的分布差异.
• 为了在行星变速箱中实现高故障识别精度,即使数据分布不一致.

主要方法:

• 通过对输入数据进行重叠采样,建立了一个深度神经网络诊断模型.
• 集成了选择性内核网络 (SKN) 的注意力机制,以实现适应性受体场大小和提取共同特征.
• 当地最大平均差异 (LMMD) 用于子域适应,以最大限度地减少域间的分布差异.

主要成果:

• 提出的深度转移学习方法在8个可变操作条件任务中实现了92.9%的平均故障识别准确度.
• 选择性内核网络 (SKN) 的注意力机制有效地增强了网络的特征提取能力.
• 基于LMMD的子域调整显著减少了分布差异,提高了诊断精度.

结论:

• 开发的深度转移学习方法,结合SKN注意力和LMMD,为在不同条件下对行星变速箱故障诊断提供了强大的解决方案.
• 与传统的深度转移学习技术相比,这种方法显示出更高的诊断精度.
• 该研究验证了适应性受体场和域适应的有效性,以提高在具有挑战性的工业环境中的故障识别率.