基于二维化序列的多尺度融合故障诊断方法在复杂场景中的应用
基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法,通过编码滚动轴承的时间域信号并生成特征图,扩展训练样本集并提取故障特征,应用注意力机制进行特征加权和深度特征提取,通过 softmax 分类器完成故障诊断,具有更好的泛化性能和抗噪性能。
Mar, 2024
本研究探讨了如何使用基于卷积核的方法,包括 ROCKET 和一维卷积神经网络,在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器,该方法在测试数据中表现出超过 98.8%的准确性,优于其他曾有的方法。
May, 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
本文针对工业设备故障诊断中的数据稀缺、复杂操作条件和各种故障类型等挑战,介绍了一种使用多尺度图卷积滤波(MSGCF)的故障诊断方法。该方法通过整合局部和全局信息融合模块,在图卷积滤波块内增强传统图神经网络(GNN)框架,有效地解决了过多层图卷积层导致的过度平滑问题,并保持了广泛的感受野。在少样本诊断方面,该方法降低了过拟合风险,增加了模型的表示能力。对帕德博恩大学轴承数据集进行的实验表明,所提出的 MSGCF 方法在准确性上优于其他方法,为少样本学习场景中的工业故障诊断提供了有价值的洞见。
May, 2024
利用卷积神经网络和 Grad-CAM 激活图可视化技术,提出一种对轴承故障进行分类的可解释型深度学习方法,通过识别训练样本的特征重要性形成了一个诊断知识库,在模型评估过程中根据特征重要性的相似性检索预测基础样本,实验结果表明该方法能够选择直观且具有物理意义的预测基础样本,提高模型对人类用户的可靠性。
Aug, 2023
本文提出了一种基于神经过程和图卷积网络的深度转移学习方法(GTNP),通过特征转移策略在高维空间中消除源领域和目标领域之间的数据分布差异,全局和局部潜在变量的联合建模以及稀疏采样策略减少目标领域中观测数据的需求,多尺度不确定性分析通过全局和局部潜在变量的分布特征获得,从而使 GTNP 能够提供反映方法复杂性和任务难度的定量值,同时允许对每个受到噪声和偏差影响的样本进行不确定性建模(故障检测结果的置信度),在 3 个智能故障检测任务中,验证了所提出方法相较于其他基于深度转移学习的方法具有更好的检测性能。
Feb, 2024
本研究利用深度学习,将时间序列编码为各种类型的图像,并使用卷积神经网络对其进行分类,其中采用 GASF/GADF 和 MTF 技术进行编码。通过在 20 个标准数据集上使用 TILE CNNs 进行学习,本方法取得了与当前九种最佳时间序列分类方法具有高度竞争力的结果。同时,本文还使用 DA 对经过编码的 GASF 图像进行降噪自编码器的培训,并在 4 个标准数据集和一个合成复合数据集上证明,使用 GASF 图像进行插值可以将测试数据的均方误差降低 12.18%-48.02%。分析了由 Tibed CNNs 和 DAs 学习到的特征和权重,解释了本方案的工作原理。
Jun, 2015
本研究提出了一种动态特征重构信号图方法,采用小波包分解(WPD)和 2D-CNN 作为故障诊断模型,能够在高噪声下更好的实现旋转机械的故障诊断。
May, 2023
该文提出一种通过直方图理论设计 / 提取输入特征的新算法,将不同的时间序列传感器数据的特征提取过程统一起来,用于机器状态识别,结果表明该方案对于预测机器健康状态具有显著效果。
Feb, 2024