滚动轴承故障的故障诊断使用多阶段的e-CNN-GRU-SAM网络

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 预测性维护是指预测性维护.

背景情况:

• 滚动轴承的故障对工业机械构成重大风险,导致意想不到的停机时间和昂贵的维修.
• 准确的早期检测,故障分类和剩余使用寿命 (RUL) 预测对于有效的维护策略至关重要.

研究的目的:

• 为滚动轴承故障开发一个全面的法医诊断框架.
• 为了增强早期检测,故障分类和RUL预测能力.
• 为轴承诊断和预后提供一个强大的工具包.

主要方法:

• 一个新的三阶段机器学习框架,集成投票组合,卷积神经网络门式反复单元 (CNN-GRU) 和分段任何模型 (SAM).
• 利用来自振动信号的时间和频率域特征,使用碎片总和近似和单一频谱分析进行处理.
• SAM在时间频率表示上采用了代掩盖,用于零拍摄的空间-时间故障分割.

主要成果:

• 拟议的e-CNN-GRU-SAM网络在故障类型诊断和RUL预测方面取得了卓越的准确性.
• 在各种操作条件下证明有效的根源原因识别.
• 使用模拟退化场景的各种基准数据集验证的概括能力.

结论:

• 开发的框架为滚动轴承故障的法医分析提供了强大而全面的解决方案.
• 它显著提高了轴承健康监测和预测性维护的准确性和可靠性.
• 综合方法为工业应用中的诊断和预后提供了一个强大的工具包.