Sensors· 2017Q1
Gürültü Direnci ve Alan Adaptasyonu Yeteneği Yüksek, Yeni Bir Derin Öğrenme Tabanlı Arıza Teşhis Modeli
A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals
- 1.668atıf
- Q1SCImago
- 2017yıl
Kısa özet
WDCNN adlı yeni bir derin öğrenme modeli, ham titreşim sinyallerini kullanarak arıza teşhisinde %100 doğruluk elde eder ve farklı yük ve gürültülü ortam koşullarında en gelişmiş modelleri geride bırakır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Ham titreşim sinyallerini kullanan arıza teşhisi için bir derin öğrenme modeli olan WDCNN'yi tanıtır.
- Geniş ilk katman çekirdekleri yüksek frekanslı gürültüyü bastırır ve özellikleri çıkarır.
- Modelin alan adaptasyon yeteneklerini geliştirmek için AdaBN kullanılır.
- Normal sinyallerde %100 sınıflandırma doğruluğu elde eder.
- Farklı yükler ve gürültülü koşullar altında en gelişmiş modellerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Intelligent fault diagnosis techniques have replaced time-consuming and unreliable human analysis, increasing the efficiency of fault diagnosis. Deep learning models can improve the accuracy of intelligent fault diagnosis with the help of their multilayer nonlinear mapping ability. This paper proposes a novel method named Deep Convolutional Neural Networks with Wide First-layer Kernels (WDCNN). The proposed method uses raw vibration signals as input (data augmentation is used to generate more inputs), and uses the wide kernels in the first convolutional layer for extracting features and suppressing high frequency noise. Small convolutional kernels in the preceding layers are used for multilayer nonlinear mapping. AdaBN is implemented to improve the domain adaptation ability of the model. The proposed model addresses the problem that currently, the accuracy of CNN applied to fault diagnosis is not very high. WDCNN can not only achieve 100% classification accuracy on normal signals, but also outperform the state-of-the-art DNN model which is based on frequency features under different working load and noisy environment conditions.
Yazarların özeti; kaynağından alınmıştır. Sensors, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Kontrol ve Sistem Mühendisliği
Control and Systems EngineeringEngineering