在概念漂移存在下的推进电机故障检测
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
提出了一种基于自监督学习的神经网络模型来解决电动机故障诊断的问题,通过微调模型在不同故障情景、不同机器之间实现了超过 90%的分类准确度,具有广泛的潜力应用于现实世界中的跨机器故障诊断任务。
Jul, 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。
Oct, 2023
该研究通过比较基于错误率和数据分布的概念漂移检测器的性能,并评估它们在识别漂移时的可靠性,为实践者提供了指导建议和警报系统的适用性分析。
Nov, 2022
基于新颖的概念漂移检测器,我们提出了一种以信息驱动的故障检测方法,适用于识别加性噪声模型的输入输出关系中的漂移(即模型漂移),该方案不需要事先的故障示例,并且可以在系统模型的大类上无分布地应用。通过与故障检测、模型漂移检测以及两个随机变量之间的相互独立性测试之间的关联,我们证明了所提出的基于互信息的故障检测方案具有强一致性、对非故障情况的指数快速检测以及对检验的显著性水平和功率的控制等几个理论特性。通过合成数据和飞机涡轮发动机的基准数据集 N-CMAPSS 的验证,我们的理论得到了支持,结果表明我们的方法在许多实际和现实的场景中具有实用性,并且其他方法无法提供的理论结果显示了性能保证。
May, 2024
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
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
本文介绍了预测机器学习模型在实际应用中由于系统动态性带来的性能退化问题,对概念漂移的类型做出了统一分类,并对最近十年中提出的基于性能的概念漂移检测方法进行了回顾和分类,还提出了跟踪和评估预测系统中模型性能的主要属性和策略,并探讨了开放性研究挑战和可能的研究方向。
Mar, 2022