Bearing Fault Diagnosis auf Basis eines Multi-Scale-CNN- und LSTM-Modells

Intelligente Diagnosemethoden basierend auf Signalanalyse werden weithin für die Fehlerdiagnose von Lagern eingesetzt. Diese Verfahren verwenden eine vorbestimmte Transformation (z. B. empirische Modendekomposition, schnelle Fourier-Transformation, diskrete Wavelet-Transformation), um zeitliche Signale in Frequenzdomänen-Signale zu überführen, wobei die Leistungsfähigkeit des Diagnosesystems maßgeblich von den extrahierten Merkmalen abhängt. Die Extraktion von Signalmerkmalen ist jedoch recht zeitaufwendig und erfordert spezialisiertes Wissen im Bereich der Signalverarbeitung. Obwohl einige Studien hochgenaue Algorithmen entwickelt haben, basieren die Diagnoseergebnisse stark auf großen Datensätzen und unsicheren menschlichen Analysen. In dieser Studie wird ein automatisches Merkmalslern-Neuronales Netzwerk vorgeschlagen, das rohe Vibrationssignale als Eingaben verwendet und zwei konvolutionale Neuronale Netze mit unterschiedlichen Kernel-Größen nutzt, um automatisch verschiedene Frequenzmerkmale aus den Rohdaten zu extrahieren. Anschließend wird ein Long Short-Term Memory (LSTM)-Netzwerk eingesetzt, um die Art des Fehlers anhand der gelernten Merkmale zu identifizieren. Die Daten werden vor der Eingabe in das Netzwerk heruntergeproportionalisiert, wodurch die Anzahl der Parameter erheblich reduziert wird. Die Experimente zeigen, dass die vorgeschlagene Methode nicht nur eine durchschnittliche Genauigkeit von 98,46 % erreicht – was einige state-of-the-art intelligente Algorithmen auf Basis vorheriger Kenntnisse übertrifft – sondern auch eine bessere Leistung in geräuschkreuzten Umgebungen aufweist.