産業用メンテナンスと予測診断は、設備の故障を防ぎ、稼働停止時間を最小限に抑え、多様な産業環境におけるメンテナンスコストを最適化する現代製造の基本的な柱です。振動ベースの故障分類は産業運用において重要な役割を果たしており、高度に洗練された診断方法論を必要としています。本研究は、振動ベースの故障分類のための新しいハイブリッド深層学習アーキテクチャを包括的に調査することで、これらの産業的な必要性に対処します。この研究では、従来の畳み込みアプローチに比べて振動信号の非線形特徴抽出能力に優れた二次ニューラルネットワーク（QNN）の戦略的統合を導入します。七つの洗練されたアーキテクチャの体系的評価が明確な性能階層を確立し、QuCNN-LSTM-Transformerが最適モデルとして99.26%の平均精度を達成しました。提案されたすべてのモデルは優れた性能を示し、評価されたすべてのシナリオでテスト精度が一貫して95%を超えています。分析されたデータは、実験装置から収集されたセンサーデータを利用し、CWRUおよびHUSTデータセットにおいて卓越した性能の一貫性を示します。この調査は、インテリジェント診断における新たなパラダイムを確立し、産業の故障分類アプリケーションを進めるハイブリッドアーキテクチャの機能的ガイダンスと明確な分析を提供します。
Devarapalli et al. (金曜日) はこの問題を研究しました。