可变条件下的多模态轴承故障分类：结合迁移学习的一维 CNN
信号处理
2025-02-26 v1 人工智能
机器学习
摘要
轴承在确保旋转机械的可靠性和效率方面发挥着不可或缺的作用——减少摩擦并承受关键载荷。高达 90% 的机械故障是由轴承故障引起的，这凸显了可靠的状态监测和故障检测的迫切需求。本研究提出了一种多模态轴承故障分类方法，该方法在一维卷积神经网络（1D CNN）框架内依赖振动和电机相电流信号。该方法融合了来自多个信号的特征以提高故障检测的准确性。在基准条件下（1,500 rpm，0.7 Nm 负载转矩和 1,000 N 径向力），加入 L2 正则化后该模型的准确率达到 96%。与非正则化模型相比，这显著提高了 2%。此外，通过采用迁移学习（TL）策略，该模型在三种不同的操作条件下表现出稳健的性能。在测试的 TL 变体中，保留直到第一个最大池化层的参数并随后调整后续层的方法取得了最高的性能。虽然这种方法在不同条件下都获得了出色的准确率，但由于其可训练参数较多，需要更多的计算时间。为了应对资源限制，计算量较少的模型提供了可行的折衷方案，尽管准确率略有下降。总体而言，这种结合后期融合和 TL 祭略的多模态 1D CNN 框架为在具有可变操作条件的工业环境中实现更准确、适应性更强且更高效的轴承故障分类奠定了基础。
引用
@article{arxiv.2502.17524,
title = {Multimodal Bearing Fault Classification Under Variable Conditions: A 1D CNN with Transfer Learning},
author = {Tasfiq E. Alam and Md Manjurul Ahsan and Shivakumar Raman},
journal= {arXiv preprint arXiv:2502.17524},
year = {2025}
}