EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis

要約

特徴抽出は、回転機械のインテリジェントな断層診断において重要です。
複雑な1次元（1D）振動信号を単純なテクスチャを持つ2次元（2D）画像に変換することにより、畳み込みニューラルネットワーク（CNN）は断層機能を視覚的に認識および学習することが簡単です。
ただし、画像として1D信号をエンコードするための既存の表現方法には、複雑な計算と低分離性など、2つの主要な問題があります。
一方、既存の2D-CNN障害診断方法は、変換プロセスのために唯一の入力が依然として避けられない情報損失に悩まされているため、2D画像を取得します。
上記の問題を考慮すると、このペーパーでは、グラミアン表現（EGR）の埋め込みと呼ばれる新しい1Dから2Dへの変換方法を提案します。これは、計算が簡単で、適切な分離性を示しています。
EGRでは、1D信号が埋め込み空間に投影され、振動信号の固有の周期性がキャプチャされ、生の信号に含まれる誤った特性が明らかになります。
第二に、変換された画像の単一入力を使用した既存のCNNモデルの情報損失問題を目的としているEGR-NETと呼ばれる二重分岐EGRベースのCNNは、生の信号機能マップと対応するEGRの両方から誤った機能を学習するために提案されています。
ブリッジ接続は、2つのブランチ間の機能学習の相互作用を改善するように設計されています。
広く使用されているオープンドメインギアボックスデータセットとベアリングデータセットは、提案された方法の有効性と効率を検証するために使用されます。
EGR-NETは、従来のアプローチおよび最先端のアプローチと比較され、結果は、提案された方法がパフォーマンスを向上させることができることを示しています。

要約(オリジナル)

Feature extraction is crucial in intelligent fault diagnosis of rotating machinery. It is easier for convolutional neural networks(CNNs) to visually recognize and learn fault features by converting the complicated one-dimensional (1D) vibrational signals into two-dimensional (2D) images with simple textures. However, the existing representation methods for encoding 1D signals as images have two main problems, including complicated computation and low separability. Meanwhile, the existing 2D-CNN fault diagnosis methods taking 2D images as the only inputs still suffer from the inevitable information loss because of the conversion process. Considering the above issues, this paper proposes a new 1D-to-2D conversion method called Embedding Gramian Representation (EGR), which is easy to calculate and shows good separability. In EGR, 1D signals are projected in the embedding space and the intrinsic periodicity of vibrational signals is captured enabling the faulty characteristics contained in raw signals to be uncovered. Second, aiming at the information loss problem of existing CNN models with the single input of converted images, a double-branch EGR-based CNN, called EGR-Net, is proposed to learn faulty features from both raw signal feature maps and their corresponding EGRs. The bridge connection is designed to improve the feature learning interaction between the two branches. Widely used open domain gearbox dataset and bearing dataset are used to verify the effectiveness and efficiency of the proposed methods. EGR-Net is compared with traditional and state-of-the-art approaches, and the results show that the proposed method can deliver enhanced performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google