基于振动和声学数据的帕德近似神经网络增强电机故障诊断
机器学习
2025-10-15 v2 声音
系统与控制
系统与控制
摘要
目的：本研究的主要目的是通过利用帕德近似神经元(PAON)模型来增强感应电机的故障诊断。虽然加速度计和麦克风是电机状态监测的标准设备，但具有非线性神经元架构的深度学习模型为诊断性能提供了有希望的改进。本研究调查了帕德近似神经网络(PadéNets)在从振动和声学数据诊断电气和机械故障方面，是否能优于传统的卷积神经网络(CNN)和自组织操作神经网络(Self-ONNs)。方法：我们评估并比较了三种深度学习架构的诊断能力：一维CNN、Self-ONNs和PadéNets。这些模型在渥太华大学公开的恒速感应电机数据集上进行了测试，该数据集包含振动和声学传感器数据。PadéNet模型旨在引入增强的非线性，并与无界激活函数（如LeakyReLU）兼容。结果与结论：PadéNets持续优于基线模型，对于加速度计1、2、3和声学传感器，分别达到了99.96%、98.26%、97.61%和98.33%的诊断准确率。PadéNets增强的非线性及其与无界激活函数的兼容性，显著提高了感应电机状态监测中的故障诊断性能。
引用
@article{arxiv.2507.02599,
title = {Pad\'e Approximant Neural Networks for Enhanced Electric Motor Fault Diagnosis Using Vibration and Acoustic Data},
author = {Sertac Kilickaya and Levent Eren},
journal= {arXiv preprint arXiv:2507.02599},
year = {2025}
}
备注
This version is the author's accepted manuscript. It has been peer-reviewed and accepted for publication in Journal of Vibration Engineering & Technologies. The final published version is available at https://doi.org/10.1007/s42417-025-02129-5