基于双残差神经网络的同步电机电气故障诊断：面向高频特征的层内连接设计
信号处理
2025-05-30 v1
摘要
在实际资源受限的环境中，高效提取潜在的高频故障关键信息是一个固有问题。为了克服这一问题，本工作建议利用名为 Bi-ResNet 的双残差神经网络，通过嵌入的时空卷积块和层内连接来提取内部时空高频特征。这可以被视为在不增加任何参数的情况下将高频提取器嵌入到网络中，从而帮助浅层网络达到深层网络的性能。在我们的实验中，利用基于 CNN 的五种先进神经网络和两个基线模型在真实数据集上进行同步电机电气故障诊断，以通过分析性、比较性和消融实验证明 Bi-ResNet 的有效性。相应实验表明：1) Bi-ResNet 在低分辨率噪声数据上表现更好。2) 所提出的层内连接有助于从原始数据中提取和定位高频分量。3) 层内连接数量与输入数据复杂性之间存在权衡。
引用
@article{arxiv.2505.23097,
title = {Bi-Residual Neural Network based Synchronous Motor Electrical Faults Diagnosis: Intra-link Layer Design for High-frequency Features},
author = {Qianchao Wang and Leena Heistrene and Yoash Levron and Yuxuan Ding and Yaping Du},
journal= {arXiv preprint arXiv:2505.23097},
year = {2025}
}