基于图注意力网络和LSTM的时空轴承故障检测
机器学习
2024-10-17 v1 神经与进化计算
摘要
目的：本文旨在通过结合图注意力网络（GAT）和长短期记忆网络（LSTM）的新方法，增强工业机械中的轴承故障诊断。该方法捕捉传感器数据中的空间和时间依赖性，提高不同条件下轴承故障检测的准确性。方法：所提出的方法将时间序列传感器数据转换为图表示。GAT捕捉组件间的空间关系，而LSTM对时间模式进行建模。使用凯斯西储大学（CWRU）轴承数据集对该模型进行验证，该数据集包含不同马力水平以及正常和故障状态下的数据。其性能与K近邻（KNN）、局部离群因子（LOF）、孤立森林（IForest）以及基于GNN的轴承故障检测方法（GNNBFD）等方法进行了比较。结果：该模型取得了优异的结果，在各种测试条件下的精确率、召回率和F1分数均达到100%。它不仅能准确识别故障，还能在不同操作场景下有效泛化，优于传统方法。原创性：本研究提出了GAT和LSTM在故障检测中的新颖组合，通过捕捉复杂的时空依赖性，克服了传统时间序列方法的局限性。其优越的性能证明了在工业应用中预测性维护的巨大潜力。
引用
@article{arxiv.2410.11923,
title = {Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM},
author = {Moirangthem Tiken Singh and Rabinder Kumar Prasad and Gurumayum Robert Michael and N. Hemarjit Singh and N. K. Kaphungkui},
journal= {arXiv preprint arXiv:2410.11923},
year = {2024}
}