一个基于Poisson流的数据增强和轻量化诊断框架,用于不平衡的滚动轴承故障

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:

• 准确诊断滚动轴承故障对于安全旋转机械操作至关重要.
• 现实世界的故障数据集经常表现出严重的类不平衡,阻碍了深度学习模型的性能.
• 现有的方法与不平衡的数据作斗争,需要新的方法来可靠地检测故障.

研究的目的:

• 开发一个新的诊断框架,PFRNet,能够准确诊断滚动轴承故障.
• 用先进的生成建模来解决故障数据集中类失衡的挑战.
• 提高工业环境中故障诊断系统的稳定性和通用性.

主要方法:

• 一个基于Poisson Flow的生成模型与轻量级剩余网络 (PFRNet) 集成.
• 原始的振动信号被转换为时间频率表示,使用连续波段转换 (CWT) 来进行特征提取.
• 波桑生成机制通过学习数据分布来合成现实的少数阶级样本,减轻阶级不平衡.

主要成果:

• 与CWRU基准的最先进方法相比,PFRNet表现出卓越的诊断准确性,稳定性和概括性.
• 定量评估证实,合成样本在质量和多样性方面与真实数据非常相似.
• 该框架有效地减轻了阶级不平衡对诊断绩效的影响.

结论:

• 在不平衡的工业条件下,PFRNet为可靠的滚动轴承故障诊断提供了一个有前途的解决方案.
• 整合Poisson Flow生成模型提高了处理不平衡数据集的能力.
• 拟议的方法有助于更安全,更有效地运行旋转机械.