Key points are not available for this paper at this time.
Die Analyse von Vibrationssignalen gilt als grundlegender Ansatz zur Diagnose von Fehlern in Wälzlager, und in den letzten Jahren wurden bemerkenswerte Fortschritte in diesem Bereich erzielt. Die Präsenz erheblicher Hintergrundgeräusche führt jedoch oft dazu, dass diese Fehlersignale maskiert werden, was für Forscher eine erhebliche Herausforderung darstellt. In Reaktion darauf wird in diesem Papier ein Ansatz mit einem adaptiven Denoising-Autoencoder (ADAE) vorgeschlagen. Die Datenrepräsentationen werden vom Encoder durch Faltungs- und der Datenrekonstruktion vom Decoder mittels Dekonvolutionsschichten gelernt. Sowohl der Encoder als auch der Decoder enthalten adaptive Schrumpfungs-Einheiten, um Denoising-Funktionen zu simulieren, störende Informationen effektiv zu entfernen und gleichzeitig empfindliche Fehlermerkmale zu bewahren. Darüber hinaus wird Dropout-Regularisierung angewendet, um das Netzwerk zu sparsifizieren und Überanpassung zu verhindern, wodurch die gesamte Ausdruckskraft des Modells verbessert wird. Um die Geräuschresistenz von ADAE weiter zu erhöhen, werden Kurzschlussverbindungen hinzugefügt. Die Auswertung mit öffentlich verfügbaren Datensätzen unter Szenarien mit bekanntem und unbekanntem Rauschen zeigt, dass ADAE das Signal-Rausch-Verhältnis in stark rauschenden Umgebungen effektiv verbessert und die genaue Diagnose von Fehlern in Wälzlagern erleichtert.
Lu et al. (Thu,) untersuchten diese Frage.