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
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
在本研究中,通过开发成本有效的数据采集系统(DAS),结合小波、微分计算和信号处理的概念,开发了一种特征工程和数据缩减方法,然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%,在预测过程中,SVM 和 NN 的准确率超过了 95%,在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域,以发现其他问题并相应地进行发展,对于自动化故障检测与诊断领域具有重要意义。
Jan, 2024
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
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。
本研究提出了一种基于特征选择和构造的方法,用于检测风力涡轮机的发电机发热故障,旨在提高分类准确度和减小计算负担。
Jun, 2023
本文提出了一种使用音频信号处理中的 Mel 频率倒谱系数和振幅调制谱中提取的特征来检测轴承故障的新方法,并使用只有健康轴承的数据训练一种 One-class 支持向量机来应对数据不平衡问题,从而在高度具有挑战性的场景下评估了该方法。
Apr, 2023
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。
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。
无监督的健康状况监测在复杂工业系统的故障检测中起着重要作用。本研究通过对自编码器和输入 - 输出模型进行综合比较,探索了这两种基于残差的方法在健康指标构建、故障检测和健康指标解释方面的性能。结果显示,输入 - 输出模型在潜在故障类型和可能故障部件的解释方面具有更好的可解释性。
Sep, 2023