view in publisher's site

Deep Residual Networks With Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes

One of the significant tasks in data-driven fault diagnosis methods is to configure a good feature set involving statistical parameters. However, statistical parameters are often incapable of representing the dynamic behavior of planetary gearboxes under variable operating conditions. Although the use of deep learning algorithms to find a good set of features for fault diagnosis has somewhat improved diagnostic performance, the lack of domain knowledge incorporated into deep learning algorithms has limited further improvement. Accordingly, this paper developed a variant of deep residual networks (DRNs), the so-called deep residual networks with dynamically weighted wavelet coefficients (DRN+DWWC) to improve diagnostic performance, which takes a series of sets of wavelet packet coefficients on various frequency bands as an input. Further, the fact that no general consensus has been reached as to which frequency band contains the most intrinsic information about a planetary gearbox's health status calls for “dynamic weighting layers” in the DRN+DWWC and the role of the layers is to dynamically adjust a weight applied to each set of wavelet packet coefficients to find a discriminative set of features that will be further used for planetary gearbox fault diagnosis.

شبکه‌های Residual عمیق با Wavelet Wavelet گرا (Dynamically Coefficients)برای تشخیص خطای سیاره‌ای سیاره‌ای

یکی از وظایف مهم در روش‌های تشخیص خطا مبتنی بر داده، پیکربندی یک مجموعه ویژگی‌های خوب است که پارامترهای آماری را درگیر می‌کند. با این حال، پارامترهای آماری اغلب قادر به نشان دادن رفتار دینامیکی of سیاره‌ای تحت شرایط عملیاتی متغیر نیستند. اگر چه استفاده از الگوریتم های یادگیری عمیق برای پیدا کردن مجموعه خوب از ویژگی‌ها برای تشخیص خطا تا حدی عملکرد تشخیصی را بهبود بخشیده‌است، فقدان دانش دامنه که در الگوریتم های یادگیری عمیق گنجانده شده، پیشرفت بیشتری را به همراه داشته‌است. بر این اساس، این مقاله یک نوع از شبکه‌های باقیمانده عمیق (DRNs)را توسعه داده، که به اصطلاح شبکه‌های باقیمانده عمیق با ضرایب موجک دارای وزنی پویا (drn + DWWC)برای بهبود عملکرد تشخیصی است که مجموعه‌ای از ضرایب بسته موجک روی باندهای فرکانسی مختلف را به عنوان ورودی می‌گیرد. علاوه بر این، این واقعیت که هیچ توافق عمومی به آن نرسیده است که کدام نوار فرکانس حاوی بیش‌ترین اطلاعات مربوط به وضعیت سلامت gearbox's سیاره‌ای است، در in + x۲۰۱C و نقش لایه‌ها برای یافتن مجموعه تمایزی از ویژگی‌هایی است که برای تشخیص خطای جعبه‌دنده سیاره‌ای، بیشتر مورد استفاده قرار می‌گیرند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.