干气密封件的故障状态识别方法与噪声强度基于样本增强的MA1D-ResNet
Jinlin Chen1, Jiahao Li1, Xuexing Ding1
1School of Petrochemical Technology, Lanzhou University of Technology, Lanzhou 730050, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的多尺度注意1D残留网络 (MA1D-ResNet),用于准确的干气密封件故障诊断. 该模型即使在噪音严重的情况下也能达到高精度,从而提高了石化行业设备的安全性.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 干气密封在石化行业中至关重要,用于密封处理危险介质的设备.
- 由于强烈的噪音干扰,干气密封件的准确故障识别具有挑战性.
研究的目的:
- 开发一个强大的智能故障诊断模型,用于干气密封在噪音条件下.
- 提高诊断模型的概括能力和故障特征提取.
主要方法:
- 从干气密封测试装置收集了声辐射 (AE) 信号.
- 建议建立一个多尺度注意1D残余网络 (MA1D-ResNet),其中包含一个多尺度双重注意模块 (MDAM).
- 使用样本增量技术,包括数据细分和高斯噪声注入,来扩展训练数据集.
主要成果:
- 在分类七个故障状态时,MA1D-ResNet模型实现了99.8571%的平均准确性.
- 该模型表现出极好的噪声强度,在-6dB噪声下保持92.43%的精度.
- 它的表现明显优于CNN,ResNet和ResNet-CBAM等比较模型.
结论:
- 拟议的MA1D-ResNet模型为干气密封件的智能故障诊断提供了一个高度稳健和准确的解决方案.
- 集成多尺度注意力机制和样本增强可以提高噪音环境中的性能.
- 这项研究有助于提高石化业务的安全性和可靠性.
