智能故障诊断因为其高效、准确的特点,近些年来受到越来越多的关注。然而,在实际的工业应用中,工作负载是会发生变化的,并且健康状态下的数据远多于故障数据,这就导致了故障诊断准确率的降低。这里提出了一种改进的深度残差网络的模型...智能故障诊断因为其高效、准确的特点,近些年来受到越来越多的关注。然而,在实际的工业应用中,工作负载是会发生变化的,并且健康状态下的数据远多于故障数据,这就导致了故障诊断准确率的降低。这里提出了一种改进的深度残差网络的模型来解决这个问题。首先,通过小波变换将振动信号转换为时频图片。其次,采用空间变换网络和注意力机制以提高分类的准确性。然后,使用Sigmoid Linear Unit(Silu)激活函数代替Rectified Linear Unit(Relu)激活函数。最后,使用类平衡损失函数解决数据类型不均衡的问题。实验通过设置多个不平衡数据集,并结合变工况条件,对改进后的ResNet模型进行验证。实验结果表明,这里所提出的方法结果优于其他方法,且具有良好的鲁棒性和泛化能力。展开更多
文摘智能故障诊断因为其高效、准确的特点,近些年来受到越来越多的关注。然而,在实际的工业应用中,工作负载是会发生变化的,并且健康状态下的数据远多于故障数据,这就导致了故障诊断准确率的降低。这里提出了一种改进的深度残差网络的模型来解决这个问题。首先,通过小波变换将振动信号转换为时频图片。其次,采用空间变换网络和注意力机制以提高分类的准确性。然后,使用Sigmoid Linear Unit(Silu)激活函数代替Rectified Linear Unit(Relu)激活函数。最后,使用类平衡损失函数解决数据类型不均衡的问题。实验通过设置多个不平衡数据集,并结合变工况条件,对改进后的ResNet模型进行验证。实验结果表明,这里所提出的方法结果优于其他方法,且具有良好的鲁棒性和泛化能力。
文摘针对滚动轴承在变工况环境中网络特征提取能力不足的问题,提出了一种域对抗图卷积注意力迁移学习的故障诊断方法(DAGRESL)。首先,通过残差神经网络(residual network, Resnet)提取输入的轴承故障信息特征并通过Simam注意力模块增强Resnet的特征表达能力;其次,利用图生成层学习Resnet的特征数据并挖掘样本结构特征之间的关系来构造实例图;然后,利用图卷积网络(graph convolutional network, GCN)对实例图进行建模;最后,利用域判别器和局部最大平均差异(local maximum mean discrepancy, LMMD)对齐子域和全局域之间的分布并通过标签分类网络完成故障分类。通过在SQI-MFS轴承数据集的实验结果证明了所提出的DAGRESL模型能够精准地区分变工况轴承故障类型,有效解决了滚动轴承在变工况环境中网络特征提取能力不足的问题。
