基于多源信息融合和注意力增强网络的智能故障诊断

科学领域:

• 工程 工程师 工程师 工程师
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 智能故障诊断方法与轴承的时间和全球特征提取作斗争.
• 单源方法在复杂的工作环境中缺乏稳定性,限制了故障特征提取.

研究的目的:

• 提出一种使用多源信息融合的智能故障诊断方法,以提高稳定性和特征表示性.
• 通过整合丰富的特征表示来改善与故障相关信息的获取.

主要方法:

• 振动和电流信号被转换为时间频率表示,使用连续波形变换.
• 一个灰度加权的融合策略在图像层面集成了多源信息.
• 开发了一个结合卷积神经网络 (CNN) 和注意力机制的诊断框架,以捕捉时间和全球依赖.

主要成果:

• 与现有的单源和多源诊断模型相比,提出的方法显示出更高的性能.
• 在公开的轴承故障数据集上,在各种评估指标上观察到一致的超出性能.
• 实现了更高的故障识别精度,表明有效的特征提取和集成.

结论:

• 多源信息融合方法显著提高智能故障诊断的稳定性和准确性.
• 在CNN和注意力机制的整合有效地捕捉到关键的时间和全球特征依赖.
• 这种方法为轴承故障诊断提供了强大的解决方案,特别是在具有挑战性的操作条件下.