LSTM-GAN-AE: Ein vielversprechender Ansatz zur Fehlerdiagnose im Maschinenzustandsmonitoring

In den letzten Jahren hat die Echtzeitüberwachung des Gesundheitszustands von Maschinen zunehmend an Bedeutung gewonnen, mit dem Ziel, Fehlerdiagnose (FD) und prädiktive Wartung zu erreichen. Konventionelle Diagnosemethoden stehen vor gewaltigen Herausforderungen, die durch die hohen Anforderungen an Fachwissen und umfangliche Arbeit entstehen. Das auf Deep-Learning (DL) basierende Diagnosekonzept hat sich als vielversprechende Lösung erwiesen und große Erfolge erzielt. Viele dieser DL-basierten Modelle scheitern jedoch daran, kritische zeitliche Informationen gründlich zu extrahieren. Darüber hinaus ist es schwierig, sie in der Echtzeitüberwachung des Maschinenzustands (MHM) anzuwenden, da diese Methoden in der Praxis lange für die Diagnose benötigen. Um die oben genannten Probleme anzugehen, führt dieser Artikel einen neuartigen intelligenten FD-Algorithmus mit drei Phasen für MHM ein. Es handelt sich um ein hybrides Framework, das generative gegnerische Netzwerke (GANs) und Autoencoder (AE) auf der Basis von bidirektionalen Langzeit-Kurzzeitgedächtnismodellen (bi-LSTM) kombiniert. Zunächst wird GAN verwendet, um den Rekonstruktionsrest zu erhalten und die diskriminative Darstellung zu erlernen. Dann wird AE zur Extraktion kritischer zeitlicher Merkmale und zur Dimensionsreduktion eingesetzt. Schließlich wird das überwachte Lernmodell konstruiert, um die Merkmalsinformationen zu integrieren und Diagnosenergebnisse vorherzusagen. Um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen, werden typische Datensätze von Wälzlagern als Testdaten verwendet. Vorläufige Simulationsergebnisse zeigen, dass der vorgeschlagene Algorithmus im Vergleich zu konkurrierenden Methoden überlegene Leistungen erzielt.