基于短时傅里叶变换变体的深度学习机器状态诊断
信号处理
2024-10-15 v2 人工智能
摘要
在电机状态诊断中，电电流特征可作为基于振动的传感器数据的替代特征，后者是一种成本更高且更具侵入性的方法。机器学习（ML）技术已逐渐兴起，用于仅通过电机相电流信号诊断电机状态。本研究使用短时傅里叶变换（STFT）方法将时间序列电机电流信号转换为时频二维图。电机电流信号数据集包含3,750个采样点，分为五类——一类正常和四类合成施加的电机故障条件，以及五种负载条件：0%、25%、50%、75%和100%。对数据集使用了五种变换方法：非重叠和重叠STFT、非重叠和重叠重对齐STFT以及同步压缩STFT。然后，基于前述卷积神经网络（CNN）架构的深度学习（DL）模型从每种方法生成的图中进行训练和验证。重叠STFT、重叠R-STFT、非重叠STFT、非重叠R-STFT和同步压缩STFT的DL模型分别以97.65%、96.03%、96.08%、96.32%和88.27%的平均准确率表现优异。四种方法的准确率超过了之前最佳ML方法的93.20%，而全部五种方法均超过了之前基于二维图的方法的准确率（分别为80.25%、74.80%和82.80%），使用相同的数据集、相同的DL架构和验证步骤。
引用
@article{arxiv.2408.09649,
title = {Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants},
author = {Eduardo Jr Piedad and Zherish Galvin Mayordo and Eduardo Prieto-Araujo and Oriol Gomis-Bellmunt},
journal= {arXiv preprint arXiv:2408.09649},
year = {2024}
}
备注
4 pages, 6 images, presented at 2024 International Conference on Diagnostics in Electrical Engineering (Diagnostika)