一种基于多传感器选择和图表注意力机制的不平衡故障诊断方法

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 由于不平衡的数据集 (正常与故障数据) 导致轴承诊断错误很常见.
• 现有的方法在轴承故障检测方面的显著数据不平衡中扎.
• 准确的故障诊断对于防止机器故障和确保操作安全至关重要.

研究的目的:

• 提出一种新的方法,在不平衡的数据集条件下进行有效的轴承故障诊断.
• 通过解决数据不平衡,提高故障诊断的准确性和稳定性.
• 为多传感器承载数据引入一个强大的特征提取和选择机制.

主要方法:

• 开发了一个注意力卷积神经网络 (SCGAT) 图表,用于从多传感器数据中提取特征.
• 使用传感器灵敏度分析来过和选择相关的传感器信息.
• 传感器相关性分析被用来合并高度相关的传感器数据,减少冗余.
• 然后,集成的特征被输入到分类器中,用于最终的故障诊断.

主要成果:

• 该SCGAT方法证明了有效的轴承故障诊断能力,即使在不平衡的数据集.
• 在动力传输模拟平台上的实验验证证证了该方法的性能.
• 与现有模型相比,拟议的SCGAT模型实现了更高的诊断准确性和更高的稳定性.
• 灵敏度和相关性分析模块成功地完善了传感器数据,以改善诊断.

结论:

• 在不平衡的数据场景中,SCGAT方法为轴承故障诊断提供了强大的解决方案.
• 灵敏度和相关性分析的整合增强了特征表示,以准确检测故障.
• 这种方法在旋转机械的状态监测和预测性维护方面取得了重大进展.
• 在具有挑战性的数据条件下,SCGAT模型对需要可靠故障诊断的现实应用具有前景.