A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load

در سال های اخیر الگوریتم های تشخیص خطای هوشمند با استفاده از تکنیک یادگیری ماشین موفقیت زیادی به دست آورده اند. با این حال، با توجه به این واقعیت که در برنامه های کاربردی صنعتی واقعی، بار کار همیشه در حال تغییر است و سر و صدا از محیط کاری اجتناب ناپذیر است، تخریب عملکرد روش های تشخیص خطا هوشمند بسیار جدی است. در این مقاله، یک مدل جدید مبتنی بر یادگیری عمیق برای حل مسئله پیشنهاد شده است. مشارکت ما شامل موارد زیر می شود: اول، ما یک روش پایان دادن به پایان را پیشنهاد کردیم که سیگنال های زمانبندی خام را به عنوان ورودی می برد و در نتیجه نیازی به پیش پردازش انقباض وقت ندارد. این مدل می تواند دقت بسیار بالا را در محیط های پر سر و صدا به دست آورد. دوم، مدل بر هیچ یک از الگوریتم های سازگاری دامنه تکیه نمی کند یا نیاز به اطلاعات مربوط به دامنه مورد نظر است. این می تواند دقت بالا هنگامی که بار کار تغییر شده است. برای درک مدل پیشنهادی، ویژگی های آموخته شده را تجسم خواهیم کرد و سعی خواهیم کرد که دلایل عملکرد بالا مدل را تحلیل کنیم.