基于参数优化的特征模式分解和空间时间特征融合的强背景噪音下的电机故障诊断
Jingcan Wang1, Yiping Yuan1, Fangqi Shen2
1School of Mechanical Engineering, Xinjiang University, Urumqi 830017, China.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
这项研究介绍了采矿电机的先进故障诊断方法,增强了噪音环境中的特征提取. 该方法在识别机械故障方面实现了高精度,提高了运行安全性和可靠性.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 采矿电机在具有挑战性的环境中运行,噪音干扰很大.
- 从复杂的振动信号中提取弱故障特征是困难的.
- 现有的方法在重叠的工作条件和强烈的背景噪音下扎.
研究的目的:
- 开发一种高性能故障诊断方法,用于在强噪声下采矿电机.
- 为了提高机械故障特征提取和识别的效率和准确性.
- 在复杂的操作场景中解决当前方法的局限性.
主要方法:
- 参数优化特征模式分解 (WOA-FMD) 与RepLKNet-BiGRU-Attention双通道模型的集成.
- 拟议方法应用于增加噪声的轴承故障数据集和实际采矿电机运行数据.
- 与现有的故障诊断技术进行比较分析.
主要成果:
- 在增加噪音的CWRU轴承故障数据集上实现了97.7%的平均准确性.
- 在实际采矿电机运行数据集上获得了93.38%的平均准确性.
- 与类似的故障诊断方法相比,表现出更高的性能.
结论:
- 拟议的WOA-FMD和RepLKNet-BiGRU-Attention模型为采矿电机故障诊断提供了一种优越的方法.
- 该方法有效地提取和识别机械故障特征,即使在强大的背景噪声中.
- 这种方法通过准确的故障检测提高了采矿操作的可靠性和安全性.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.8K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.3K
