通过多传感器融合实时识别电机运行状态:用于工业条件监测的波形神经证据框架

科学领域:

• *工业物联网和预测性维护
• * 信号处理和机器学习
• * 状态监控系统

背景情况:

• * 实时监控电机运行状态对于工业系统的可靠性,安全性和效率至关重要.
• *现有的方法往往缺乏稳定性或全面的状态评估.
• * 智能电机状态监控需要先进的特征提取和融合技术.

研究的目的:

• * 开发和评估用于智能电机状态监测的多传感器融合框架.
• * 整合基于波纹的特征提取,神经网络分类和证据理论决策融合.
• * 提高运动状态分类的准确性,稳定性和可靠性.

主要方法:

• *使用紧的硬件平台同步获取振动,声学和磁场信号.
• * 波形数据包转换用于从细分传感器数据中提取能量分布特征.
• * 每个传感器模式的独立BP神经网络分类,用于决策融合的Dempster-Shafer理论.

主要成果:

• * 基于融合的模型实现了92.8%的整体精度,超过了单个传感器基线.
• *通过信心分布,混矩阵和ROC曲线分析,证明了优越的决策可靠性和类分离性.
• * 在关机,无负荷和装载电机运行状态中验证了性能.

结论:

• * 拟议的多传感器融合框架为智能运动健康监测提供了一个可扩展,可解释和可部署的解决方案.
• * 在预测性维护应用中提供了实践实施的巨大潜力.
• *通过集成的信号处理和融合技术,提高了分类的稳定性和可靠性.