基于深度卷积自编码网络的球磨机故障预测
机器学习
2023-11-23 v1 人工智能
摘要
球磨机在现代采矿作业中起着关键作用，其轴承故障因可能导致生产效率损失和经济后果而备受关注。本文提出一种基于深度卷积自编码神经网络（DCAN）的异常检测方法，以解决球磨机轴承故障检测问题。所提方法利用正常运行期间采集的振动数据进行训练，克服了监督学习方法中常遇到的标注问题和数据不平衡等挑战。DCAN包含卷积特征提取和转置卷积特征重建模块，在信号处理和特征提取方面表现出卓越能力。此外，本文描述了基于DCAN的异常检测模型在轴承故障检测中的实际部署，使用了来自武汉钢铁资源集团球磨机轴承的数据以及NASA轴承振动数据集的故障数据。实验结果验证了DCAN模型在识别故障振动模式方面的可靠性。该方法有望提升轴承故障检测效率、减少生产中断并降低维护成本。
引用
@article{arxiv.2311.13571,
title = {Ball Mill Fault Prediction Based on Deep Convolutional Auto-Encoding Network},
author = {Xinkun Ai and Kun Liu and Wei Zheng and Yonggang Fan and Xinwu Wu and Peilong Zhang and LiYe Wang and JanFeng Zhu and Yuan Pan},
journal= {arXiv preprint arXiv:2311.13571},
year = {2023}
}
备注
9 pages, 11 figures