一个具有数据增强和注意力机制的多尺度卷积囊网络,用于电梯故障诊断

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:

• 电梯故障诊断对于安全运行至关重要,但受到复杂,多样化的数据的挑战.
• 现有的智能方法很难充分利用电梯故障数据特征.
• 由于数据复杂性和样本有限,难以准确诊断.

研究的目的:

• 为改进电梯故障诊断提出一个新的多尺度卷积囊网络.
• 为了应对数据复杂性,样本不足和电梯故障诊断数据不平衡的挑战.
• 为了提高智能电梯故障诊断系统的准确性和可靠性.

主要方法:

• 利用连续波形变换从振动信号中提取图像特征.
• 开发了一个深度卷积生成对抗网络 (DCGAN),具有光谱规范化和对数据增强的关注.
• 设计了一个囊网络,将注意力机制与多尺度卷积层集成在一起,用于特征提取和融合.

主要成果:

• 拟议的方法有效地生成合成图像样本,以克服不足的训练数据.
• 囊网络成功地利用注意力机制提取和融合故障特征.
• 实验结果显示,与测试数据集上的现有方法相比,诊断性能优越.

结论:

• 开发的多尺度卷积囊网络有效地处理电梯故障诊断中的复杂性,有限的样本和数据不平衡.
• 该方法展示了卓越的诊断性能,为现实世界电梯维护提供了有前途的解决方案.
• 这种方法通过智能故障诊断来提高电梯系统的可靠性和安全性.