基于声振融合和知识转移的滚动轴承声学增强诊断方法
Fangyong Xue1,2, Chang Liu1,2, Feifei He1,2
1Key Laboratory of Advanced Equipment Intelligent Manufacturing Technology of Yunnan Province, Kunming University of Science &Technology, Kunming 650500, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种用于机械设备故障诊断的新型声振特征融合策略. 该方法通过从振动信号转移知识来增强声学诊断,提高精度和稳定性.
科学领域:
- 工程
- 机器学习
- 信号处理
背景情况:
- 基于接触的振动分析是有效的,但部署有限.
- 声学分析提供了灵活性,但受到噪音和数据稀缺的影响.
- 现有的方法在机械故障诊断中缺乏稳定性和通用性.
研究的目的:
- 提出一个声振特征融合策略,以加强机械设备故障诊断.
- 解决声学诊断的局限性,包括噪声干扰和缺陷数据.
- 从振动到声学模型实现诊断知识的有效转移.
主要方法:
- 使用异质转移学习的声振特征融合.
- 将知识提炼框架与教师-学生模式相结合.
- 教师模型在振动信号上进行培训,指导基于声学的学生模型培训.
主要成果:
- 建议的方法显著提高了声学模型的诊断能力.
- 在定制测试设备和公共数据集上的实验验证证证了有效性.
- 在未见的工作条件下表现出卓越的诊断准确性和稳定性.
结论:
- 声振特征融合策略有效地传递诊断知识.
- 这种方法提高了基于声学的故障诊断的稳定性和普遍性.
- 这种方法为机械设备监控提供了灵活可靠的解决方案.
