Key points are not available for this paper at this time.
Zusammenfassung Der Aufmerksamkeitsmechanismus (AM) wurde umfassend für die Fehlerdiagnose und zur Identifizierung des Gesundheitszustands industrieller Anlagen eingesetzt. Bestehende Forschungen haben AM nur in Kombination mit tiefen Netzwerken verwendet oder um bestimmte Komponenten dieser tiefen Netzwerke zu ersetzen. Diese Abhängigkeit von tiefen Netzwerken schränkt die Fähigkeit zur Merkmalsextraktion von AM erheblich ein. In diesem Papier wird eine Diagnosemethode für Lagerfehler vorgeschlagen, die auf einem Signal-Transformator-neuronalen Netzwerk (SiT) mit reinem AM basiert. Zunächst wird das Rohsignal der eindimensionalen Vibrationszeitsignal in Segmente unterteilt und eine neue segmentierte Lernstrategie eingeführt. Zweitens werden lineares Encoding und Positionsencoding auf die segmentierten Teilfolgen angewendet. Schließlich wird die kodierte Teilfolge an den Transformator zur Merkmalsextraktion übergeben, um die Fehleridentifizierung zu erreichen. Die Gültigkeit der vorgeschlagenen Methode wird unter Verwendung des Datensatzes der Case Western Reserve University und des Datensatzes für Lager von selbstansaugenden Zentrifugalpumpen verifiziert. Im Vergleich zu anderen existierenden Methoden erreicht die vorgeschlagene Methode immer noch die höchste durchschnittliche diagnostische Genauigkeit ohne jegliche Datenvorverarbeitung. Die Ergebnisse zeigen, dass das vorgeschlagene SiT, das auf reinem AM basiert, Merkmale extrahieren und Fehler aus dem Rohvibrationssignal identifizieren kann und eine überlegene diagnostische Leistung aufweist.
Yang et al. (Tue,) haben diese Frage untersucht.