Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Chẩn đoán lỗi vòng bi với phân phối dữ liệu không đồng nhất dựa trên biến đổi sóng liên tục và mạng đối kháng sinh sâu
Journal of the Brazilian Society of Mechanical Sciences and Engineering - Tập 43 - Trang 1-16 - 2021
Tóm tắt
Thông thường, các mô hình nhận dạng được thiết lập bởi các phương pháp học sâu cần một lượng lớn dữ liệu huấn luyện. Mặc dù mẫu bình thường rất phong phú, nhưng mẫu lỗi lại rất khan hiếm do lỗi hiếm khi xảy ra trong hầu hết thời gian hoạt động. Độ chính xác nhận dạng của các lớp bất thường thấp đối với mạng nơron tích chập với sự phân phối không đồng đều như vậy, đặc biệt là trong môi trường có tiếng ồn mạnh. Trong bài báo này, một phương pháp tăng cường dữ liệu kết hợp biến đổi sóng liên tục và mạng đối kháng sinh sâu (DCGAN) được đề xuất để giải quyết vấn đề phân phối dữ liệu không đồng đều trong lĩnh vực chẩn đoán lỗi vòng bi. Đầu tiên, biến đổi sóng liên tục được sử dụng để biến đổi dữ liệu chuỗi thời gian một chiều thành hình ảnh thời gian-tần số hai chiều. Sau đó, các mẫu hình ảnh thời gian-tần số của các loại lỗi được mở rộng bằng mạng đối kháng sinh sâu. Trong khi đó, các phương pháp đánh giá chất lượng hình ảnh SSIN và PSNR được sử dụng để đánh giá chất lượng của các hình ảnh được tạo ra, và sự đa dạng của các hình ảnh được tạo ra được đánh giá bằng cách so sánh sự phân phối của tập dữ liệu phân phối không đồng đều và tập dữ liệu phân phối đều. Cuối cùng, mạng nơron tích chập được sử dụng để phân loại tập dữ liệu hình ảnh thời gian-tần số đã mở rộng. Kết quả thực nghiệm cho thấy phương pháp đề xuất có khả năng giải quyết hiệu quả vấn đề phân phối dữ liệu không đồng đều trong lĩnh vực chẩn đoán lỗi, và có độ chính xác cao hơn so với phương pháp truyền thống sử dụng mở rộng dữ liệu một chiều.
Từ khóa
#phân phối dữ liệu không đồng đều #biến đổi sóng liên tục #mạng đối kháng sinh sâu #chẩn đoán lỗi #vòng biTài liệu tham khảo
Moshrefzadeh A (2021) Condition monitoring and intelligent diagnosis of rolling element bearings under constant/variable load and speed conditions. Mech Syst Sig Process 149:107153
Zheng J, Pan H, Yang S, Cheng J (2018) Generalized composite multiscale permutation entropy and Laplacian score based rolling bearing fault diagnosis. Mech Syst Sig Process 99:229–243
Li X, Yang Y, Pan H, Cheng J, Cheng J (2019) A novel deep stacking least squares support vector machine for rolling bearing fault diagnosis. Comput Ind 110:36–47
Song L, Wang H, Chen P (2019) Intelligent diagnosis method for machinery by sequential auto-reorganization of histogram. ISA Trans 87:154–162
Alpar O (2018) Online signature verification by continuous wavelet transformation of speed signals. Expert Syst Appl 104:33–42
Khodja AY, Guersi N, Saad MN, Boutasseta N (2019) Rolling element bearing fault diagnosis for rotating machinery using vibration spectrum imaging and convolutional neural networks. Int J Adv Manuf Tech 106(5–6):1737–1751
Zhang S, Li CM, Ye W (2021) Damage localization in plate-like structures using time-varying feature and one-dimensional convolutional neural network. Mech Syst Sig Process 147:107107
Jiang G, He H, Yan J, Xie P (2019) Multiscale convolutional neural networks for fault diagnosis of wind turbine gearbox. IEEE Trans Ind Electron 66(4):3196–3207
Qian W, Li S (2020) A novel class imbalance-robust network for bearing fault diagnosis utilizing raw vibration signals. Measurement 156:107567
Zhao D, Liu S, Gu D, Sun X, Wang L, Wei Y, Zhang H (2020) Enhanced data-driven fault diagnosis for machines with small and unbalanced data based on variational auto-encoder. Meas Sci Technol 31(3):035004–035017
Peng P, Zhang W, Zhang Y, Xu Y, Wang H, Zhang H (2020) Cost sensitive active learning using bidirectional gated recurrent neural networks for imbalanced fault diagnosis. Neurocomputing 407:232–245
Cabrera D, Sancho F, Long J, Sanchez R-V, Zhang S, Cerrada M, Li C (2019) Generative adversarial networks selection approach for extremely imbalanced fault diagnosis of reciprocating machinery. IEEE Access 7:70643–70653
Wang Z, Wang J, Wang Y (2018) An intelligent diagnosis scheme based on generative adversarial learning deep neural networks and its application to planetary gearbox fault pattern recognition. Neurocomputing 310:213–222
Zhang W, Li X, Jia X-D, Ma H, Luo Z, Li X (2020) Machinery fault diagnosis with imbalanced data using deep generative adversarial networks. Measurement 152:107377
Chen R, Huang X, Yang L, Xu X, Zhang X, Zhang Y (2019) Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform. Comput Ind 106:48–59
Fu Y, Zhang Y, Gao Y, Gao H, Mao T, Zhou H, Li D (2017) Machining vibration states monitoring based on image representation using convolutional neural networks. Eng Appl Artif Intell 65:240–251
Cheng Y, Lin M, Wu J, Zhu H, Shao X (2021) Intelligent fault diagnosis of rotating machinery based on continuous wavelet transform-local binary convolutional neural network. Knowl-Based Syst 216(1):106796
Liang P, Deng C, Wu J, Yang Z (2020) Intelligent fault diagnosis of rotating machinery via wavelet transform, generative adversarial nets and convolutional neural network. Measurement 159:107768
Liu S, Jiang H, Wu Z, Li X (2021) Rolling bearing fault diagnosis using variational autoencoding generative adversarial networks with deep regret analysis. Measurement 168(6):108371
Wen L, Li X, Gao L, Zhang Y (2018) A new convolutional neural network-based data-driven fault diagnosis method. IEEE Trans Ind Electron 65(7):5990–5998
Sadoughi M, Hu C (2019) Physics-based convolutional neural network for fault diagnosis of rolling element bearings. IEEE Sens J 19(11):4181–4192
Huang W, Cheng J, Yang Y, Guo G (2019) An improved deep convolutional neural network with multi-scale information for bearing fault diagnosis. Neurocomputing 359:77–92
Li S, Wang H, Song L, Wang P, Cui L, Lin T (2020) An adaptive data fusion strategy for fault diagnosis based on the convolutional neural network. Measurement 165(6):108122
Kudo S, Orihashi S, Tanida R, Takamura S and Kimata H (2021) GAN-bbased image compression using mutual information for optimizing subjective image similarity. IEICE Trans Inform Syst E104.D(3):450–460
Wang H, Li S, Song L et al (2020) An enhanced intelligent diagnosis method based on multi-sensor image fusion via improved deep learning network. IEEE Trans Instrum Meas 99:1–1
Choudhary A, Mian T, Fatima S (2021) Convolutional neural network based bearing fault diagnosis of rotating machine using thermal images. Measurement 176(4):109196
Bearing Data Center Website (2017) Case Western Reserve bearingdatacenter/pages/download-data-file. Accessed: 20 June 2017
L. Christian, K. James, Z. Detmar, Sextroa W (2016) Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors: A benchmark data set for data-driven classification. In: Proceedings of European Conference on Prognostics Health Management Society, pp 5–8