Réseaux de neurones à apprentissage profond avec traitement des entrées pour le diagnostic des défauts de roulements basé sur les vibrations dans des conditions de données déséquilibrées

Les réseaux d'apprentissage profond (DL), tels que les réseaux de neurones convolutifs (CNN) et la mémoire à court et long terme (LSTM), ont gagné en popularité pour le diagnostic des défauts de roulements utilisant des signaux de vibration bruts. Cependant, leur précision et leur stabilité sont compromises face à des ensembles de données réelles déséquilibrées. Cette recherche examine l'impact des ensembles de données déséquilibrés et explore le potentiel des techniques de traitement du signal sur les entrées du réseau par rapport à l'utilisation directe de signaux de vibration bruts. Les techniques de DL étudiées incluent LSTM, CNN unidimensionnel, et CNN bidimensionnel (2D), ainsi qu'un nouvel algorithme hybride 2DCNNLSTM, incorporant des méthodes de traitement du signal telles que la transformée de Fourier et la transformée en ondelettes continues tout en maintenant des paramètres presque égaux et la même architecture de base. L'algorithme hybride 2DCNNLSTM proposé combine les forces de LSTM et CNN, permettant un diagnostic amélioré des roulements en capturant à la fois l'information spatiale et temporelle dans les signaux de vibration. L'algorithme 2DCNNLSTM proposé considère également une entrée multi-canaux en augmentant le signal de vibration brut avec des canaux de moyenne et de variance pour extraire des caractéristiques significatives et améliorer l'efficacité de la classification. L'ensemble de données de référence du banc d'essai de roulements de l'Université Case Western Reserve, avec dix classes de défauts, l'ensemble de données de l'Université de Paderborn avec trois classes de défauts, et les ensembles de données de roulements du NASA Centre for Intelligent Maintenance Systems avec cinq classes de défauts sont utilisés pour tester la précision, l'efficacité, la robustesse et la stabilité des réseaux d'apprentissage profond proposés. Les études révèlent que les réseaux basés sur le 2DCNNLSTM hybride surpassent à la fois les réseaux CNN et LSTM, même sans traitement des entrées. De plus, l'utilisation d'une entrée multi-canaux en augmentant le signal brut 2D avec des canaux de valeur moyenne et de variance s'avère plus efficace pour traiter des ensembles de données déséquilibrés et complexes tout en employant un réseau basé sur 2DCNNLSTM.