滚动轴承故障诊断模型基于多尺度深度可分离的卷积神经网络,与空间注意力机制集成

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:

• 滚动轴承诊断因复杂的操作条件和稀缺的标记数据而面临挑战,阻碍了故障特征提取和准确性.
• 现有的方法与可变环境和短暂的学习场景作斗争,限制了它们在现实世界中的适用性.

研究的目的:

• 为滚动轴承开发一个强大的故障诊断模型,以解决数据限制和操作变化.
• 在具有挑战性的工业环境中提高诊断准确性和概括能力.

主要方法:

• 原始轴承信号被转换为格拉米角差场 (GADF) 图像,以保存时间和相位信息.
• 提出了一个新的模型架构,将空间注意力 (SA) 机制与多尺度深度可分离的卷积模块相结合.
• 该模型经过预训练,并转移到新的环境中,以便在短时间内进行故障诊断.

主要成果:

• 拟议的模型在轴承数据集和工业现场数据上展示了卓越的故障识别性能.
• 实验结果验证了该模型在各种工作条件,小样本场景和实际工业环境中的有效性.
• 空间注意力机制有效地专注于区分特征,并抑制噪音.

结论:

• 集成的空间注意力和多尺度卷积模型为滚动轴承提供了出色的故障识别和概括能力.
• 该方法在少量射击学习和可变操作条件下显著提高了诊断准确性,证明了其工业相关性.