HUST轴承故障数据集:一种用于滚动轴承故障诊断的实用数据集
本文提出了一种基于高频轴承振动信号的k均值轴承寿命分段方法,并使用自编码器将其嵌入潜在低维子空间,生成一个用于训练监督模型的带标签数据集,用于预测轴承的降级阶段,实验结果表明该框架具有可扩展性和可靠性。
Mar, 2022
提出了一种基于多尺度核的自适应卷积神经网络(MSKACNN)的数据驱动诊断算法,使用原始轴承振动信号作为输入,提供了振动特征学习和信号分类能力,以识别和分析轴承故障,特别是针对球混合等难以用传统方法检测的故障。结果显示,MSKACNN能够高效准确地诊断轴承不同工况,具有良好的适应性和通用性,为实时的轴承故障诊断系统提供了轻量级的模块实现。
Mar, 2022
本文提出了一种基于极限学习机和逻辑映射的新型快速滚动轴承故障诊断方法,可实现更高的准确性和实时性,实验结果表明在预测准确率方面,该方法优于现有的同类比较方法,且在七个不同的子数据环境中,最高准确率达到了100%。
Apr, 2022
提出了一种使用生存分析预测滚动轴承的失效时间的新方法,该方法通过分析频域数据并比较来自时域的协变量,利用机器学习模型对滚动轴承的风险进行概率预测,从而促进了预测性维护建模中对截尾数据的进一步研究。
Sep, 2023
通过对各种基于机器学习和深度学习的系统进行评估和比较,本研究证明了深度学习系统在电动机轴承故障检测任务中的优越性,并提出了一种鲁棒且通用的深度学习系统及其创新损失函数,通过在多个基准数据集上的实验验证了其在实际应用中的潜力。
Oct, 2023
该论文介绍了一种基于深度卷积自编码神经网络(DCAN)的异常检测方法,用于解决球磨机轴承故障检测问题。该方法利用正常运行期间收集的振动数据进行训练,克服了有监督学习方法常遇到的标注问题和数据不平衡等挑战。DCAN模型包括卷积特征提取和转置卷积特征重建模块,展示了在信号处理和特征提取方面的优秀能力。此外,论文描述了基于DCAN的异常检测模型在武汉钢铁资源集团的球磨机轴承故障检测中的实际部署,利用了来自NASA轴承振动数据集的故障数据。实验结果验证了DCAN模型在识别故障振动模式方面的可靠性。该方法有望提高轴承故障检测效率,减少生产中断,并降低维护成本。
Nov, 2023
该研究论文提出了一种高效的实时卷积神经网络(CNN)来诊断多个滚动轴承故障,针对不同噪声水平和时变转速的实际应用环境。并且,使用一种新颖的基于Fisher的频谱可分离性分析(SSA)方法,阐明了所设计CNN模型的有效性。实验证实了该模型在三个方面优于最先进方法:精度提高高达15.8%,在各种信噪比下具有噪声鲁棒性,且实时处理速度是采集速度的五分之一。此外,通过所提供的SSA技术,我们揭示了该模型在应对实际挑战方面的有效性。
Nov, 2023
利用时间频率分析和深度学习技术,本文提出了一种诊断滚动轴承故障的方法,在时间变化的速度和不同噪声水平下取得了显著的准确率提升,解决了现有方法在这些条件下应用受限的问题。
Jan, 2024
通过PTPAI方法生成合成标记数据,采用基于物理的深度学习技术,解决了轴承故障诊断中标记数据和缺失数据不足的问题,并通过RF-Mixup方法处理不平衡类别问题、MK-MMSD和CDAN方法进行域适应,以及应用加权方法解决部分设置故障诊断难题。实验证明,该方法有效解决了这些问题。
Jun, 2024