基于多特征融合与堆叠架构的旋转机械早期故障检测方法
机器学习
2023-03-01 v2 信号处理
摘要
旋转机械的早期故障检测（EFD）对降低维护成本与提升机械系统稳定性十分重要。EFD 的关键点之一是开发通用模型，从不同设备中提取鲁棒且具判别性的特征以进行早期故障检测。现有 EFD 方法多聚焦于通过一类特征学习故障表示。然而，多特征组合可更全面地刻画系统状态。本文提出一种基于多特征融合与堆叠架构（M2FSA）的 EFD 方法。所提方法通过结合时域（TD）、频域（FD）和时频域（TFD）特征，提取通用且具判别性的特征以检测早期故障。为统一不同域特征的维度，利用堆叠去噪自编码器（SDAE）学习三域深度特征。所提 M2FSA 架构含两层：第一层含三个基模型，其输入为不同深度特征；第一层输出拼接后作为第二层（含元模型）的输入。该方法在三个轴承数据集上测试，结果表明所提方法在灵敏度与可靠性上均优于现有方法。
引用
@article{arxiv.2205.00511,
title = {An Early Fault Detection Method of Rotating Machines Based on Multiple Feature Fusion with Stacking Architecture},
author = {Wenbin Song and Di Wu and Weiming Shen and Benoit Boulet},
journal= {arXiv preprint arXiv:2205.00511},
year = {2023}
}
备注
The results require to be updated