相关实验视频
滚动轴承的故障诊断使用CNN和Mamba增强的自适应自我注意力LSTM的Denoising多通道混合物
Songjiang Lai1,2, Tsun-Hin Cheung1,2, Ka-Chun Fung1,2
1Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University, Kowloon, Hong Kong.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究引入了用于故障诊断的先进深度学习模型,改进了噪音大的轴承系统中的特征提取和远程依赖模型. 这种新的方法提高了预测的准确性和稳定性,优于现有的方法.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 深度学习增强了故障诊断,但在特征提取,远程依赖和噪音方面存在困难.
- 滚动元件轴承系统往往会产生噪音信号,挑战传统的诊断方法.
研究的目的:
- 开发新的深度学习模型,以改善噪音环境中的故障诊断.
- 为了增强特征提取,远程依赖模型和轴承故障诊断中的噪声稳定性.
主要方法:
- 建议混合多视图卷积 (MOM-Conv) 层与专家混合 (MOE) 层,以融合本地和上下文信息.
- 为超长时间序列引入了一个Mamba增强的自适应自我注意长期短期记忆 (MASA-LSTM) 模型.
- 实施了消噪技术和多通道信号表示,以减轻噪声的影响.
主要成果:
- 提出的MOM-Conv和MASA-LSTM模型在特征提取和表示方面表现出卓越的性能.
- 这些模型在各种噪音条件下实现了更高的预测准确性和稳定性.
- 在基准数据集 (Paderborn,CWRU) 上的实验结果证实了与最先进的方法相比的有效性.
结论:
- 新型深度学习架构显著提升了对杂系统 (如滚动元件轴承) 的故障诊断.
- 综合方法有效地解决了特征提取和远程依赖模型的局限性.
- 提出的方法为现实世界的工业故障诊断应用提供了强大而准确的解决方案.
