故障数据的缺失一直是制约设备故障诊断发展的重要因素,现有研究通过刻意损坏设备的方法来采集故障数据。为实现座椅电机的无损故障诊断,文章对座椅电机的故障机理进行分析,确定可能发生的故障类型,通过在座椅电机表面粘贴微型喇叭并播...故障数据的缺失一直是制约设备故障诊断发展的重要因素,现有研究通过刻意损坏设备的方法来采集故障数据。为实现座椅电机的无损故障诊断,文章对座椅电机的故障机理进行分析,确定可能发生的故障类型,通过在座椅电机表面粘贴微型喇叭并播放故障声音,来模拟故障的发生。在自编码器系统的基础上,引入卷积操作,使用卷积层代替全连接层,通过输入数据维度、卷积核的尺寸和数量以及池化、正则化等操作对模型结构进行调整。采用IDMT Isa Electric Engine数据集作为源域数据,对模型进行预训练。使用迁移学习方法将源域中已经学习到的数据分布迁移到座椅电机故障诊断任务中,并与各类模型检测结果进行对比。结果显示,文中方法在召回率保持1.00的情况下,曲线下面积达到0.86,检测结果可靠,具有实际应用价值。展开更多
文摘故障数据的缺失一直是制约设备故障诊断发展的重要因素,现有研究通过刻意损坏设备的方法来采集故障数据。为实现座椅电机的无损故障诊断,文章对座椅电机的故障机理进行分析,确定可能发生的故障类型,通过在座椅电机表面粘贴微型喇叭并播放故障声音,来模拟故障的发生。在自编码器系统的基础上,引入卷积操作,使用卷积层代替全连接层,通过输入数据维度、卷积核的尺寸和数量以及池化、正则化等操作对模型结构进行调整。采用IDMT Isa Electric Engine数据集作为源域数据,对模型进行预训练。使用迁移学习方法将源域中已经学习到的数据分布迁移到座椅电机故障诊断任务中,并与各类模型检测结果进行对比。结果显示,文中方法在召回率保持1.00的情况下,曲线下面积达到0.86,检测结果可靠,具有实际应用价值。
