滚动轴承在杂环境中的故障诊断使用频道-时间并行注意网络
Guanhua Li1, Menghan Chen2, Yuchen Lu2
1Jiujiang Polytechnic University of Science and Technology, Jiujiang, China.
Scientific reports
|October 7, 2025
概括
一个新的频道时间并行注意网络 (CT-ParaNet) 在杂的工业4.0环境中增强了滚动轴承故障诊断. 这种深度学习方法显著提高了关键机械健康监测的准确性和稳定性.
科学领域:
- 人工智能的人工智能
- 机械工程 机械工程
- 工业自动化 工业自动化
背景情况:
- 滚动轴承是工业4.0制造中的关键部件,对于旋转机械的安全性和可靠性至关重要.
- 现有的故障诊断方法与杂的环境作斗争,导致特征减弱,不良的多尺度捕获和低噪声强度.
- 迫切需要先进,强大的深度学习技术来准确诊断轴承故障.
研究的目的:
- 提出一种新的深度学习模型,即频道-时间并行注意网络 (CT-ParaNet),用于增强轴承故障诊断.
- 解决现有方法在捕捉多尺度特征和在噪音条件下保持稳健性的局限性.
- 为智能制造设备健康监测提供高精度和可靠的诊断技术.
主要方法:
- 开发了一个频道-时间并行注意网络 (CT-ParaNet),采用了新的频道-时间并行注意机制.
- 实现了多个规模的并行注意力剩余块,使用具有适应性门的并行多分支架构.
- 采用串行并行混合处理架构来对故障信号进行分层和并行细处理.
主要成果:
- 在两个独立的轴承故障数据集上,CT-ParaNet实现了98.53%和98.29%的高精度,超过了传统方法.
- 在各种噪音类型 (高斯式,冲动式,彩色) 中,即使在-5dB SNR下,也具有超过87%的准确性.
- 在只有0.1的训练数据比率下实现了超过92%的准确性,这表明数据效率很高.
结论:
- 在具有挑战性的噪音环境中,CT-ParaNet显著提高了滚动轴承故障诊断的准确性和稳定性.
- 拟议的网络为智能制造设备健康监测提供了强大的解决方案.
- 这项工作为确保工业旋转机械的安全性和可靠性提供了至关重要的技术支持.
