电机故障诊断的基础模型
利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据,提出了一种新的机械故障诊断方法,通过少量标记样本和大量未标记数据的有效组合,实现了比现有方法更出色的性能。
Nov, 2023
使用机器学习和信号处理来检测和识别感应电动机故障是工业 4.0 背景下避免生产中断和停机的一种有价值的方法。本研究运用 MATLAB Simulink 进行感应电动机故障的检测和识别研究,开发了一个三相感应电动机模型,收集了正常和故障电机数据。我们应用快速傅里叶变换 (FFT) 检测健康和不健康状态,并使用决策树算法进行模型训练,最终得到约 92% 的准确率。这项研究为工业应用提供了具有价值的故障检测和分类方法。
Jan, 2024
通过物联网设备获取工业设备退化现象的数据,并设计数据驱动模型进行异常检测,为建立预测性维护策略提供初步步骤。在研究中,通过组合低计算成本的预处理技术和机器学习模型,展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征,通过多目标优化和分析选择表现最佳的模型,并验证了终端到终端的解决方案。
Oct, 2023
评价多任务人工神经网络在预测感应电机的心理声学参数方面的应用,通过使用电动机功率信号的电学量和极数等多种输入参数,同时评估感应电机的声学质量,采用等效声压、响度、粗糙度和锐度作为输出指标,并分析其简单可解释模型中产品单元神经网络的最佳结果。
Jan, 2024
运用机器学习和统计方法来增强海洋系统的监测和故障预测,本文介绍了一种能在概念漂移时成功运行且无需完全模型重新训练的检测驱动船舶推进电机定子绕组过热的方法。
Jun, 2024
该论文介绍了一种将传统的电机电流签名分析策略与功能主成分分析和功能扩散映射相结合的方法,用于检测和分类感应电动机中的故障情况。结果表明,该方案具有潜在的应用价值。
Jun, 2023
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
在此工作中,我们提出了一种基于 Transformer 的框架(FaultFormer),用于分析振动信号以预测不同类型的轴承故障。通过使用数据增强和提取傅里叶模态的方法,我们训练了一个 Transformer 编码器,以实现最先进的准确度,并分析了注意机制和模型输出,以确认 Transformer 自动提取信号特征和学习全局和局部关系以进行分类的能力。最后,我们提出了两种预训练策略,为大型可推广 Transformer 的开发铺平了道路,使其能够适应生产现场的新数据、情况或机械设备。
Dec, 2023
该研究论文介绍了一种基于数据驱动的故障诊断方法,使用卷积神经网络对旋转机器进行故障诊断,并使用 t-SNE 方法和聚类技术检测新的故障,实验结果表明该方法在检测新故障方面具有高准确性。
Sep, 2023