EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis
作者: Linshan Jia
发布时间: 2025-02-27
来源: arxiv
研究方向: 智能故障诊断，旋转机械故障诊断，深度学习
主要内容
本文提出了一种新的1D到2D转换方法，称为嵌入语法表示（EGR），用于捕获原始振动信号中的故障特征。基于EGR，设计了一种双分支卷积神经网络模型EGR-Net，以减少传统单输入CNN模型的信息损失问题。
主要贡献
1. 提出了一个新的1D到2D转换方法EGR，该方法易于计算且具有良好的可分性。
2. 设计了一种双分支CNN模型EGR-Net，可以同时从原始信号特征图和其对应的EGR中学习故障特征。
3. EGR-Net保留了端到端性质，可以接受1D信号输入并给出故障分类结果。
研究方法
1. 嵌入语法表示（EGR）
2. 双分支卷积神经网络（EGR-Net）
3. 桥连接
4. 批量归一化（BN）
5. ReLU激活函数
6. 层归一化（LN）
7. 全局平均池化（GAP）
8. SoftMax分类器
实验结果
在齿轮箱和轴承数据集上进行的实验表明，EGR-Net在故障诊断任务中优于现有的深度学习和传统智能方法。在噪声存在的情况下，EGR-Net仍然能够保持高精度。
未来工作
未来工作将探索EGR和EGR-Net在剩余使用寿命问题中的应用。