Méthode de diagnostic des défauts pour les composants mécaniques intégrant RPM, DAM-IResNet et apprentissage par transfert

Cet article propose une nouvelle méthode de diagnostic des défauts qui intègre une Matrice de Position Relative (RPM), un Module d'Attention par Sous-Échantillonnage (DAM), un Réseau Résiduel Amélioré (IResNet) et l'apprentissage par transfert pour répondre aux défis des données de défauts rares et de la mauvaise généralisation sous des conditions de travail variables. La RPM convertit les signaux de vibration 1D en images 2D pour améliorer la représentation des caractéristiques. Le DAM réalise une compression et une sélection des caractéristiques sans perte via le sous-échantillonnage par ondelettes de Haar et l'attention convolutionnelle. Un IResNet effectue ensuite un apprentissage et une classification des caractéristiques profondes. Une stratégie d'apprentissage par transfert permet en outre l'adaptation efficace des connaissances des domaines sources riches en données vers des domaines cibles pauvres en données, améliorant considérablement les performances dans des scénarios de conditions croisées et d'échantillons réduits. Des expériences sur plusieurs ensembles de données de roulements et d'engrenages montrent que la méthode proposée atteint plus de 99,5% de précision, avec 100% dans les tâches de transfert clés, surpassant les méthodes existantes à la pointe de la technologie. Les principales contributions de ce travail incluent le cadre unifié RPM-DAM-IResNet, une stratégie de transfert ciblée pour les petits échantillons, et une validation complète de sa précision et de sa robustesse supérieures.