基于旋转机械多图形卷积的域自适应故障诊断算法

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:

• 工业轴承面临着变化的操作条件,挑战现有的故障诊断方法.
• 当前的深度学习方法往往无法捕捉故障数据中的复杂结构关系,限制了概括.
• 缺乏领域适应性阻碍了不同工作环境中的模型性能.

研究的目的:

• 提出一个新的域调整多图形卷积网络 (DAM-GCN),用于稳固的轴承故障诊断.
• 提高深度学习模型的概括能力,以在不同条件下进行故障检测.
• 提高工业环境中轴承故障诊断的准确性和可靠性.

主要方法:

• 使用卷积神经网络 (CNN) 提取特征.
• 多图形构造 (Top-k,k-NN,半径图) 来捕获局部,相似性和密度数据特征.
• 进行对比学习以提高特征的区分能力和表现力.
• 联合优化分类和域调整损失,用于域调整.

主要成果:

• DAM-GCN有效地捕捉了多视角断层结构特征.
• 对比式学习增强了特征的区分能力,以便更好地进行比较.
• 域调整最小化了源域和目标域之间的分布和图形结构差异.
• 实验结果表明,与现有的最先进的方法相比,性能优越.

结论:

• 拟议的DAM-GCN方法在可变的操作条件下显著提高了轴承故障诊断.
• 多图形方法与对比学习和域调整相结合,可以提高概括性.
• 这种方法为工业轴承故障诊断提供了更强大,更有效的解决方案.