式的故障诊断方法基于元学习和在小样本条件下改进的多通道卷积神经网络
Xiwang Yang1, Jiancheng Ma2, Hongjun Hu2
1School of Information and Communication Engineering, Shanxi University of Electronic Science and Technology, Linfen 041000, China.
Sensors (Basel, Switzerland)
|August 14, 2025
概括
这项研究引入了一种新的超学习故障诊断方法 (MAML-MCCNN-ISENet),可以增强对振动信号的特征提取. 这种方法即使在有限的数据上也能达到90%以上的诊断准确度,从而改善了机器故障的识别.
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:
- 传统的故障诊断方法在小样本大小和从振动信号中不足的特征提取方面扎.
- 低故障类型识别精度是旋转机械诊断的一个重大挑战.
研究的目的:
- 提出一种先进的故障诊断方法 (MAML-MCCNN-ISENet),以解决小振动信号数据集的特征提取和准确性的局限性.
- 提高故障诊断模型的适应性和稳定性,以应对有限数据的新任务.
主要方法:
- 使用自适应声模式分解 (ACMD) 进行信号预处理.
- 采用多通道输入结构和改进的挤压和激发网络 (ISENets) 来增强特征感知.
- 集成了一个元学习策略和多任务学习,以优化模型初始化和适应新的故障诊断任务.
主要成果:
- MAML-MCCNN-ISENet方法在特征提取和故障识别准确度方面取得了显著的改进.
- 该模型有效地缓解了在小样本场景中常见的过拟合问题.
- 诊断准确度超过了90%的各种任务在有限的数据集为和离心.
结论:
- 拟议的MAML-MCCNN-ISENet方法提供了一个强大而准确的解决方案,用于小振动信号数据集的故障诊断.
- 超级学习和改进的CNN架构在提高数据稀缺环境中的模型适应性和性能方面是有效的.
- 这种方法有望提高工业机械状态监测的可靠性.
