基于交叉图像多重注意力机制的轴承故障诊断
Yupeng Liu1, Weinan Zheng2, Ying Du2
1School of Electrical and Mechanical Engineering, Jilin University of Architecture and Technology, Changchun, 130114, China. 1589356167@qq.com.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种新的轴承故障诊断方法,使用与残余神经网络 (CIMAM-ResNet18) 的交叉图像多重注意力机制. 该模型达到98.00%的准确性,改善了旋转机械的强大的信号处理.
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:
- 轴承是旋转机械的重要部件,需要有效的故障诊断,以确保操作安全.
- 现有的神经网络用于轴承故障诊断的方法在特征提取方面表现出色,但可能会忽略关键信号信息.
研究的目的:
- 开发一种先进的轴承故障诊断方法,强调故障信号中的关键信息.
- 为了提高信号处理的稳定性,以提高诊断准确度.
主要方法:
- 一种新的故障诊断方法,将交叉图像多重注意力机制 (CIMAM) 与残余神经网络 (ResNet18) 集成在一起.
- 使用变量模式分解 (VMD) 和格拉米安角场 (GAF) 预处理振动信号.
- 拟议的CIMAM-ResNet18模型被用于故障检测和分类.
主要成果:
- 在CIMAM-ResNet18模型中,振动信号处理的稳定性得到了显著提升.
- 拟议的方法在试验平台上实现了98.00%的高准确度,在轴承故障诊断方面.
- 注意机制的整合有效地突出了故障信号中的关键特征.
结论:
- 与传统方法相比,CIMAM-ResNet18模型为轴承故障诊断提供了一种优越的方法.
- 开发的技术可以提高机械系统的诊断准确性和可靠性.
- 这项研究通过先进的AI驱动诊断,有助于更安全,更有效地运行旋转机械.
