混合深度学习框架用于实时检测松鼠感应电机中的故障

科学领域:

• 工业物联网和人工智能
• 机器学习用于预测性维护
• 电气工程和运动诊断的电气工程和运动诊断.

背景情况:

• 第四次工业革命推动了对智能预测性维护系统的需求.
• 松鼠感应电机 (SCIM) 是关键的工业部件,需要可靠的故障检测.
• 现有的方法可能缺乏现代工业环境所需的实时准确性和效率.

研究的目的:

• 建议和评估用于SCIM实时故障检测的混合深度学习框架.
• 为了比较各种深度学习架构的性能,专注于混合模型.
• 评估该框架的计算效率和适用于工业部署的适用性.

主要方法:

• 开发一个混合深度学习框架,使用八种架构:CNN-GRU,CNN-LSTM,LSTM,BiLSTM,堆叠LSTM,GRU,CNN和ANN.
• 在一百万个样本的数据集上培训和测试框架 (健康和缺陷的SCIM条件).
• 分析实时传感器数据 (扭矩,转速,功率,电流) 用于故障识别.

主要成果:

• 混合型号CNN-GRU和CNN-LSTM实现了高分类准确度 (分别为92.57%和92.27%).
• 这些混合模型在精度,回忆和F1得分方面超过了基线模型,有效地捕捉了时空特征.
• 该框架在推断时间,延迟和吞吐量方面展示了计算效率,适合实时应用.

结论:

• 拟议的混合深度学习框架为SCIM中准确有效的实时故障检测提供了一个有希望的解决方案.
• 这项研究验证了混合模型在捕捉复杂的运动动力学方面的有效性.
• 该框架是迈向智能,自我意识的工业系统的重要一步,未来的工作重点是优化和现实世界的验证.