کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863622 1439517 2018 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A robust intelligent fault diagnosis method for rolling element bearings based on deep distance metric learning
ترجمه فارسی عنوان
روش تشخیص خطای هوشمند قوی برای یاتاقانهای نورد بر اساس یادگیری متریک عمیق
کلمات کلیدی
تشخیص گسل، تحمل نورد، یادگیری عمیق، یادگیری عمیق متریک سر و صدای محیطی، تغییر دامنه،
ترجمه چکیده
روش های تشخیص خطا هوشمند مبتنی بر داده ها برای بلبرینگ عناصر نورد در سال های اخیر به طور گسترده ای توسعه یافته است. در صنایع واقعی، سیگنال های ماشین آلات جمع آوری شده معمولا در معرض صداهای محیطی قرار می گیرند و شرایط عملیاتی تحمل در شرایط مختلف کاری تغییر می کند. این امر منجر به اختلاف توزیع بین داده های آموزش برچسب شده و داده های تست بدون برچسب شده می شود و در نتیجه عملکرد تشخیص آن را کاهش می دهد. در این مقاله روش جدید یادگیری متریسم عمودی برای تشخیص غلط نورد بر اساس یادگیری عمیق ارائه شده است. یک شبکه عصبی کانولوشن عمیق به عنوان معماری اصلی استفاده می شود. بر اساس بازنویسی آموخته شده از طریق چندین لایه پنهان، یک الگوریتم خوشه بندی نمایشی برای به حداقل رساندن فاصله های درون کلاس و حداکثر کردن فاصله تغییرات بین کلاس ها به طور همزمان پیشنهاد می شود. یک روش انطباق دامنه برای به حداقل رساندن حداکثر اختلاف بین داده های آموزش و آزمایش انجام می شود. به این ترتیب، توانایی روش تشخیص خطا می تواند به طور قابل توجهی در برابر نویز و تغییر شرایط کار بهبود یابد. آزمایش های گسترده ای در یک مجموعه داده های معتبر غلتکی انجام شده برای تأیید اثربخشی روش پیشنهادی انجام شده و عملکرد تشخیص در سناریوهای مختلف به طور گسترده ای مورد ارزیابی قرار گرفته است. مقایسه با رویکردهای دیگر و کارهای مرتبط در یک مجموعه داده، برتری روش پیشنهادی را نشان می دهد. نتایج تجربی این مطالعه نشان می دهد روش یادگیری متریک پیشنهادی عمیق ابزار جدید و امیدوارکننده برای تشخیص خطای هوشمند یاطاقان نورد را ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
روش تشخیص خطای هوشمند قوی برای یاتاقانهای نورد بر اساس یادگیری متریک عمیق
چکیده انگلیسی
Intelligent data-driven fault diagnosis methods for rolling element bearings have been widely developed in the recent years. In real industries, the collected machinery signals are usually exposed to environmental noises, and the bearing operating condition changes in different working scenarios. That leads to distribution discrepancy between the labeled training data and the unlabeled testing data, and consequently the diagnosis performance deteriorates. This paper proposes a novel deep distance metric learning method for rolling bearing fault diagnosis based on deep learning. A deep convolutional neural network is used as the main architecture. Based on the learned representations through multiple hidden layers, a representation clustering algorithm is proposed to minimize the distance of intra-class variations and maximize the distance of inter-class variations simultaneously. A domain adaptation method is adopted to minimize the maximum mean discrepancy between training and testing data. In this way, the robustness of the fault diagnosis method can be significantly improved against noise and variation of working condition. Extensive experiments on a popular rolling bearing dataset are carried out to validate the effectiveness of the proposed method, and the diagnosis performance is widely evaluated in different scenarios. Comparisons with other approaches and the related works on the same dataset demonstrate the superiority of the proposed method. The experimental results of this study suggest the proposed deep distance metric learning method offers a new and promising tool for intelligent fault diagnosis of rolling bearings.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 310, 8 October 2018, Pages 77-95
نویسندگان
, , ,