A Graph Reconstruction by Dynamic Signal Coefficient for Fault Classification

要約

回転機械の強いノイズの下で故障を特定する性能を向上させるために、本論文では、提案されたエンドツーエンド故障診断モデルの重要な役割を果たす動的特徴再構成信号グラフ法を紹介する。
具体的には、最初に元の機械信号がウェーブレット パケット分解 (WPD) によって分解され、係数行列を含む複数のサブバンドが取得されます。
次に、独自に定義された 2 つの特徴抽出係数 MDD および DDD を使用して、ノルム エネルギーの分布の違いに基づいて WPD の特徴係数行列を動的に選択できる、L2 エネルギー ノルム (DFSL) に基づく動的特徴選択方法を提案します。
各サブ信号が適応信号再構成を行えるようにします。
次に、最適な特徴サブバンドの係数行列が再構築および再編成されて、特徴信号グラフが得られます。
最後に、2D 畳み込みニューラル ネットワーク (2D-CNN) によって特徴信号グラフから深い特徴が抽出されます。
ベアリングの公開データプラットフォームとロボット研削の当社実験室プラットフォームでの実験結果は、この方法がさまざまな騒音強度の下で既存の方法よりも優れていることを示しています。

要約(オリジナル)

To improve the performance in identifying the faults under strong noise for rotating machinery, this paper presents a dynamic feature reconstruction signal graph method, which plays the key role of the proposed end-to-end fault diagnosis model. Specifically, the original mechanical signal is first decomposed by wavelet packet decomposition (WPD) to obtain multiple subbands including coefficient matrix. Then, with originally defined two feature extraction factors MDD and DDD, a dynamic feature selection method based on L2 energy norm (DFSL) is proposed, which can dynamically select the feature coefficient matrix of WPD based on the difference in the distribution of norm energy, enabling each sub-signal to take adaptive signal reconstruction. Next the coefficient matrices of the optimal feature sub-bands are reconstructed and reorganized to obtain the feature signal graphs. Finally, deep features are extracted from the feature signal graphs by 2D-Convolutional neural network (2D-CNN). Experimental results on a public data platform of a bearing and our laboratory platform of robot grinding show that this method is better than the existing methods under different noise intensities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google