适应条件的CNN与时空融合用于增强的运动故障诊断
Jin Lv1,2, Lixin Wei1, Yu Feng2
1School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了使用卷积神经网络 (CNN) 进行自适应参数优化,用于电机的先进故障诊断框架. 该方法实现了高诊断准确度 (96.4%) 和在工业环境中强大的性能.
科学领域:
- 工业自动化 工业自动化
- 机器学习 机器学习
- 振动分析 振动分析
背景情况:
- 电机在工业系统中至关重要,但在苛刻的条件下容易发生故障.
- 由于信号特征和噪声的变化,准确的故障诊断具有挑战性.
- 现有的方法难以处理复杂的操作状态和特征提取.
研究的目的:
- 为电机开发一个强大的故障诊断框架.
- 为了增强特征表示和适应性参数优化CNN模型.
- 在不同的操作条件下提高诊断准确度和概括能力.
主要方法:
- 一个新的卷积神经网络 (CNN) 框架,集成蜜蜂群算法 (BCA) 进行自适应参数优化.
- 一个时空融合架构,具有大内核卷积,瓶层和改进的自我注意力 (ISA) 机制,用于增强特征提取.
- 一个以工程为导向的数据增强策略,使用1D振动信号上的多尺度窗口偏移和噪声叠加.
主要成果:
- 拟议的CNN-BCA-ISA框架在混合数据集上实现了96.4%的诊断准确率.
- 该模型在不同噪声水平上显示出稳定的性能,这表明了强烈的概括性.
- 一个实时故障诊断系统在工业环境中成功实施和验证.
结论:
- 开发的CNN-BCA-ISA框架为电机故障诊断提供了有效的解决方案.
- 适应性优化和增强的特征提取显著提高了诊断准确性和稳定性.
- 该框架可用于工业环境中的实际状态监控应用.
