基于贝叶斯神经网络的齿轮故障诊断不确定性
系统与控制
2024-12-16 v2 人工智能
系统与控制
摘要
本文提出一种新颖方法，用于量化电机驱动齿轮故障诊断中的不确定性。传统用于故障诊断的数据驱动方法通常依赖于点估计神经网络，这类网络仅提供确定性输出，无法捕捉推理过程中的不确定性。相比之下，贝叶斯神经网络(BNN)通过将网络权重视为概率分布而非固定值，提供了原则性的框架来建模不确定性。其优势体现在：(a) 对噪声数据的鲁性更强，(b) 提升模型预测的可解释性，(c) 能够量化决策过程中的不确定性。为测试所提出 BNN 的鲁性，本文首先在来自实验原型机的保守齿轮故障数据集上进行测试，该数据集包含三种故障类型；随后逐步在新的故障类别和数据集上进行训练，以探索其在噪声数据和未见故障情景下的不确定性量化特性和模型可解释性。
引用
@article{arxiv.2412.01272,
title = {Uncertainty-Aware Artificial Intelligence for Gear Fault Diagnosis in Motor Drives},
author = {Subham Sahoo and Huai Wang and Frede Blaabjerg},
journal= {arXiv preprint arXiv:2412.01272},
year = {2024}
}
备注
The manuscript has been accepted for publication in 2025 IEEE Applied Power Electronics Conference and Exposition (APEC)