ECNN：一种利用振动数据进行工业泵监测的低复杂度可调 CNN
信号处理
2025-03-11 v1 机器学习
摘要
工业泵是制造、能源生产和水处理等各个领域的关键组件，其故障可能导致重大的财务与安全风险。异常检测可用于降低这些风险并提高可靠性。在本工作中，我们提出了一种新型增强卷积神经网络（ECNN），基于加速度传感器捕获的振动数据来预测工业泵的故障。该卷积神经网络（CNN）的设计侧重于低复杂度，以使其能够在计算资源受限的边缘设备上实现部署。因此，我们进行了详细的设计空间探索，以寻找满足复杂度与精度之间权衡的拓扑结构。此外，为了能够适配未知泵，我们的算法包含一个特定于泵的参数，该参数可由少量正常数据样本确定。最后，我们将 ECNN 与阈值方法相结合，以进一步提升性能并满足应用需求。结果表明，我们的组合方法在精度上显著优于传统统计方法和经典 CNN。总而言之，这项工作提供了一种新颖的、低复杂度的、基于 CNN 的算法，并通过经典方法增强，为工业泵的异常检测提供了高精度。
引用
@article{arxiv.2503.07401,
title = {ECNN: A Low-complex, Adjustable CNN for Industrial Pump Monitoring Using Vibration Data},
author = {Jonas Ney and Norbert Wehn},
journal= {arXiv preprint arXiv:2503.07401},
year = {2025}
}
备注
Accepted and to be presented as a poster at the 2025 IEEE Symposium Series on Computational Intelligence (SSCI)