Key points are not available for this paper at this time.
Einige Algorithmen der künstlichen Intelligenz haben aufgrund ihrer robusten nichtlinearen Regressioneigenschaften viel Aufmerksamkeit in der Fehlerdiagnose von rotierenden Maschinen erhalten. Darüber hinaus sind bestehende Deep-Learning-Algorithmen in der Regel von einzelnen Signalmerkmalen abhängig, was zum Verlust einiger Informationen oder zu einer unvollständigen Nutzung der Informationen im Signal führen kann. Um dieses Problem anzugehen, werden drei Arten von gängigen Signalverarbeitungsmethoden, einschließlich der schnellen Fourier-Transformation (FFT), der kurzen Zeit-Fourier-Transformation (STFT) und das direkte Schneiden von eindimensionalen Daten in eine zweidimensionale Matrix, verwendet, um vier verschiedene Datensätze aus dem Rohvibrationssignal als Eingangsdaten für vier verbesserte Modelle konvolutionaler neuronaler Netze (CNN) zu erstellen. Dann wird eine Fuzzy-Fusionsstrategie verwendet, um die Ausgabe der vier CNN-Modelle zu fusionieren, die die Bedeutung jedes Klassifizierers analysieren und den Interaktionsindex zwischen jedem Klassifizierer erkunden kann, was sich von herkömmlichen Fusionsstrategien unterscheidet. Um die Leistung des vorgeschlagenen Modells zu zeigen, wird ein künstlicher Fehlerlagerdatensatz und ein Datensatz aus der realen Welt verwendet, um die Merkmalsextraktionsfähigkeiten des Modells zu testen. Die guten Anti-Geräusch- und Interpretationsmerkmale der vorgeschlagenen Methode werden ebenfalls demonstriert.
Yang et al. (Sun,) haben diese Frage untersucht.