相关实验视频
Updated: Sep 13, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
多传感器频域特征融合网络与轻量级1D CNN用于轴承故障诊断
Miao Dai1, Hangyeol Jo1, Moonsuk Kim1
1Department of Information & Communication Engineering, Graduate School, Dongguk University, Gyeongju 38066, Republic of Korea.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
本研究介绍了MSFF-Net,这是一个深度学习模型,用于使用多传感器融合进行轴承故障诊断. 它实现了高精度和高效率,即使数据有限,使其适合工业应用.
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:
- 轴承故障在旋转机械中至关重要,导致设备故障.
- 准确和高效的故障诊断对于预测性维护至关重要.
- 现有的方法可能会因为有限的数据或计算限制而扎.
研究的目的:
- 开发一个轻量级的深度学习框架,用于承载故障诊断.
- 为了利用频率域中的多传感器融合来增强特征提取.
- 提高诊断准确度和计算效率,特别是在数据稀缺的环境中.
主要方法:
- 使用快速里埃转换 (FFT) 将振动和声学信号转换为频率域.
- 在特征处理中使用紧的1D卷积神经网络 (CNN).
- 从多个传感器实现模式特定表示的功能级融合.
主要成果:
- 在公开数据集上实现了99.73%的平均准确性,超过了最先进的方法.
- 在完整和稀缺数据条件下都表现出强的性能.
- 显示了强大的概括,在少数射击学习场景 (20个样本/班级) 中准确率为94.69%.
- 与SOTA相比,模型参数减少了约29.7%,导致推断速度更快,计算成本更低.
结论:
- MSFF-Net为轴承故障诊断提供了一个计算效率高和高度准确的解决方案.
- 多传感器融合显著提高了诊断性能,而不是单传感器方法.
- 该模型的有效性和概括能力使其适合在数据受限的工业环境中部署.
更多相关视频
07:21Magnetic Resonance Derived Myocardial Strain Assessment Using Feature Tracking
Published on: February 12, 2011
14.5K
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
