提高航空航天故障诊断与有条件的多层次的生成对抗网络

科学领域:

• 航空航天工程 航空航天工程
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 航空航天设备故障带来了重大安全风险和经济损失.
• 传统的故障诊断需要大型的标记数据集,对于罕见的航空航天故障来说,这些数据很难获得.
• 小样本故障诊断是航空航天行业的一个关键挑战.

研究的目的:

• 为在小样本条件下提议一种新的受条件的多规模生成对抗网络 (GANs) 方法,以加强在小样本条件下的故障诊断.
• 解决航空航天应用中传统故障诊断方法的局限性.
• 用有限的数据提高故障诊断的准确性和效率.

主要方法:

• 预处理原始振动信号使用短时间里埃变换来提取时间频率特征.
• 在有限的数据集上训练有条件的多尺度GAN与多尺度卷积内核,以生成合成样本.
• 结合合成和原始数据来训练一个卷积神经网络,用于线下和在线故障诊断.

主要成果:

• 拟议的方法显著提高了故障诊断的准确性.
• 该方法提高了故障诊断的效率,特别是在有限的培训数据的情况下.
• 在两个航空航天数据集上的验证证实了该方法的有效性.

结论:

• 条件化的多尺度GANs方法有效地克服了航空航天中小样本故障诊断的挑战.
• 该方法提供了一种可行的解决方案,通过可靠的故障诊断来提高安全性和减少经济损失.
• 这种技术为智能故障诊断系统的未来研究提供了有希望的方向.