EGR-Net：一种新型嵌入格兰曼表示卷积神经网络用于智能故障诊断
计算机视觉与模式识别
2025-02-27 v1 人工智能
机器学习
摘要
特征提取是旋转机械智能故障诊断中的关键环节。卷积神经网络（CNN）通过将复杂的单维（1D）振动信号转换为具有简单纹理的二维（2D）图像，能够较容易地进行视觉识别和学习故障特征。然而，现有的将1D信号编码为图像的表示方法存在计算复杂和分离性差两个主要问题。此外，现有的仅将2D图像作为输入的2D-CNN故障诊断方法在转换过程中仍会遗失信息。鉴于上述问题，本文提出了一种新的1D至2D转换方法，称为嵌入格兰曼表示（Embedding Gramian Representation, EGR），其计算简单且分离性良好。在EGR中，1D信号在嵌入空间中进行投影，捕捉振动信号的内在周期性，从而揭示原始信号中包含的故障特征。其次，针对现有CNN模型仅使用转换后图像作为单一输入导致的信息损失问题，本文提出了一种基于双支路的EGR网络（EGR-Net），用于从原始信号特征图及其对应的EGR中学习故障特征。设计了桥接连接以提高两个支路之间的特征学习交互。本文使用广泛使用的开放领域的齿轮箱数据集和轴承数据集验证了所提出方法的有效性和效率。与传统方法和最新方法相比，EGR-Net表现出更好的性能。
引用
@article{arxiv.2502.19199,
title = {EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis},
author = {Linshan Jia},
journal= {arXiv preprint arXiv:2502.19199},
year = {2025}
}