关于化故障的研究 轴向活塞的诊断 基于粗略的设置属性加权的卷积神经网络

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:

• 活塞中的洞穴会导致重大运行问题,如振动,噪音和部件损坏.
• 现有的诊断方法缺乏准确性,当前的深度学习方法往往无法解释.
• 对于活塞来说,需要准确,可解释和可靠的故障诊断技术.

研究的目的:

• 为活塞提出智能故障诊断方法,解决传统和深度学习方法的局限性.
• 为了提高在经历空洞化后的活塞中故障诊断的解释性和准确性.
• 开发一个强大的诊断系统,利用粗略的集合理论和卷积神经网络 (CNN).

主要方法:

• 开发了一个计算流体动力学 (CFD) 模型来模拟活塞空化.
• 粗略的集合理论被应用到属性减少和错误决策表的构建上.
• 设计了一个属性加权卷积神经网络 (RSAW-CNN),包含特征重要性的权重矩阵,并提取了可解释性的决策规则.

主要成果:

• 拟议的RSAW-CNN方法实现了超过99.2%的平均诊断准确率.
• 与传统方法和其他深度学习模型 (例如,BPNN,ResNet,CNN,SENet) 相比,观察到显著的准确性改善.
• 该方法通过提取的决策规则证明了强大的解释性.

结论:

• RSAW-CNN方法提供了一个非常准确和可靠的解决方案,用于诊断活塞中的空洞化.
• 粗略集合理论的整合增强了用于故障诊断的深度学习模型的可解释性.
• 这种智能方法为液压系统的预测性维护提供了有希望的进步.