在不断变化的工作条件下进行故障诊断的信息理论连续索引域适应网络,具有波纹尺度智能卷积
Chenhao Wang1, Liling Ma1, Jiameng Wang1
1School of Automation, Beijing Institute of Technology, No. 5 Zhongguancun South Street, Beijing, 100081, China.
ISA transactions
|November 16, 2025
概括
本研究引入了一种使用波形尺度智能卷积网络 (WSWCN) 和连续域适应 (MKME) 的新型故障诊断框架,用于改进自动化工程中的交叉条件分析.
科学领域:
- 测量科学 测量科学 测量科学
- 自动化工程自动化工程
- 深度学习 (Deep Learning) 是一种深度学习.
- 信号处理 信号处理
背景情况:
- 深度转移学习对于交叉条件故障诊断至关重要.
- 现有的方法在工作条件 (例如速度,负载) 的持续变化中扎.
- 在特征提取中,有限地关注故障特定的频率特征.
研究的目的:
- 提出一种双重创新的故障诊断框架,解决当前方法的局限性.
- 为了提高在时间变化的工作条件下故障诊断的准确性.
- 开发用于特征提取和域调整的新方法.
主要方法:
- 波形尺度智能卷积网络 (WSWCN) 用于频率依赖的特征提取.
- 使用多核相互信息估计 (MKME) 进行连续索引域调整.
- 在不同的条件下使用变速箱和轴承故障数据集进行验证.
主要成果:
- 拟议的WSWCN有效地提取了取决于频率的故障特征.
- 通过使用连续工作条件信息,MKME可实现有效的域调整.
- 实验结果证明了WSWCN和MKME框架的优势.
结论:
- WSWCN和MKME框架在连续工作条件变化下显著改善了故障诊断.
- 该研究提供了一种更强大,更有效的方法,用于交叉条件故障诊断.
- 这项研究推动了深度转移学习在自动化和测量科学中的应用.

