May, 2023

基于动态特征重构信号图的旋转机械故障识别

PDF
TL;DR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。
fault diagnosisdynamic feature selectionwavelet packet decomposition2d-convolutional neural networkrotating machinery
发现论文，激发创造
  • 旋转设备状态监测功能设计

    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

  • 深度散射谱在构件级预测和健康管理（PHM）中的故障检测和诊断相关性

    研究机器人机械部件故障检测和诊断中的 Deep Scattering Spectrum（DSS） 方法，通过从输入信号中提取低方差特征，实现对简单和复杂分类问题的故障检测和诊断，分类准确率分别为 99.7% 和 88.1%。

    Oct, 2022

  • 基于声音和振动信号的旋转机械故障诊断的新型迁移学习方法

    利用声音和振动信号的转移学习方法来解决实际运行场景中训练数据与真实数据之间的分布差异，并通过预训练和微调的骨干结构与基于深度神经网络的分类器相结合，取得了较好的故障诊断性能。

    Oct, 2023

  • 小波动态选择网络在惯性传感器信号增强中的应用

    在这篇论文中，我们提出了一种智能选择适当的小波基函数来处理不同惯性信号的小波动态选择网络 (WDSNet)。同时，我们还提出了一种类别表示机制 (CRM)，用于从输入数据中提取和表示类别特征。通过实验证明，这一增强的惯性信号在轨迹重建等方面比原始信号表现出更出色的性能。

    Dec, 2023

  • 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法

    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

  • 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

    本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。

    Apr, 2023

  • 基于卷积方法的振动信号故障检测集成

    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

  • 基于深度学习和去卷积的振动源盲分离

    该研究提出了一种能够盲分离振动源的方法，不需要关于被监测设备或外部测量的任何信息。该方法使用扩张的卷积神经网络初步隔离齿轮信号，然后利用残差的平方对轴承故障信号进行估计。通过一种新颖的基于白化的去卷积方法（WBD）将传递函数的影响从两个源中移除。仿真和实验结果表明，该方法能够在没有额外信息的情况下及早检测到轴承故障。该研究考虑了局部和分布式轴承故障，并假设振动是在稳定的工作条件下记录的。

    May, 2024

  • 一种可解释的深度学习方法用于轴承故障诊断

    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

  • 旋转机械多任务故障诊断的个性化联邦学习

    本研究提出一种个性化联邦学习框架，使用联邦聚类方法将具有相似振动特征数据的不同工厂旋转机器进行分类，并通过多任务深度学习模型进行异构信息融合进行多任务故障诊断，最终采用自适应分级汇聚策略解决不同机器之间的数据异构性问题。案例研究验证了所提出的框架的有效性，特别对于那些故障样本匮乏的机器，使用所提出的个性化联邦学习可以显著提高诊断精度。

    Nov, 2022