Core Concepts
現在の畳み込みニューラルネットワークが効果的にローリングベアリングの時間領域信号間の相関特徴を捉えられない問題を解決するため、生成的対抗強化多スケール畳み込みニューラルネットワークモデルに基づくローリングベアリングの故障診断方法が提案されています。
Abstract
概要
現在の畳み込みニューラルネットワークの制約とサンプル数・品質による精度制限を解決するため、新しい故障診断手法が提案されました。
Gram Angular Difference Field (GADF)
GADFは時系列データを2次元画像に変換し、特徴マップを生成することで時間信号の完全性を保持します。
WGAN-GP
Wasserstein距離を導入したWGAN-GPはGANに勾配ペナルティを追加して安定したトレーニングを実現します。
Multi-scale Attention Convolutional Network (MACNN)
MACNNは多尺度畳み込みと注意機構を組み合わせて故障識別能力を向上させます。
実験結果
XJTU-SY軸受データセットで行われた実験では、MACNNモデルがResNetよりも優れた精度を示しました。
Stats
現在の畳み込みニューラルネットワークが効果的にローリングベアリングの時間領域信号間の相関特徴を捉えられない問題
Quotes
"A rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model is proposed."
"Compared with ResNet method, the experimental results show that the proposed method has better generalization performance and anti-noise performance."