Eine neue, auf Convolutional Neural Networks basierende datengetriebene Fehlerdiagnosemethode

Die Fehlerdiagnose ist in Fertigungssystemen von entscheidender Bedeutung, da frühzeitige Erkennung aufkommender Probleme wertvolle Zeit und Kosten sparen kann. Mit der Entwicklung von smarten Fertigungssystemen wird die datengetriebene Fehlerdiagnose zu einem aktuellen Thema. Traditionelle datengetriebene Fehlerdiagnosemethoden basieren jedoch auf von Experten extrahierten Merkmalen. Der Extraktionsprozess ist eine aufwendige Arbeit und beeinflusst das Endergebnis erheblich. Deep Learning (DL) bietet eine effektive Möglichkeit, Merkmale aus Rohdaten automatisch zu extrahieren. Convolutional Neural Networks (CNN) sind eine wirksame DL-Methode. In dieser Studie wird ein neues, auf LeNet-5 basierendes CNN für die Fehlerdiagnose vorgeschlagen. Durch eine Umwandlungsmethode, die Signale in zweidimensionale (2-D) Bilder konvertiert, kann die vorgeschlagene Methode die Merkmale der konvertierten 2-D-Bilder extrahieren und den Einfluss handgefertigter Merkmale eliminieren. Die vorgeschlagene Methode wurde an drei bekannten Datensätzen getestet, darunter Motorlagersatz, selbstansaugende Kreiselpumpe und Axialkolben-Hydraulikpumpe, und erreichte Vorhersagegenauigkeiten von 99,79 %, 99,481 % und 100 % beziehungsweise. Die Ergebnisse wurden mit anderen DL- und traditionellen Methoden verglichen, darunter adaptive tiefe CNNs, sparse filter, Deep-Belief-Netzwerke und Support-Vektor-Maschinen. Die Vergleiche zeigen, dass die vorgeschlagene CNN-basierte datengetriebene Fehlerdiagnosemethode signifikante Verbesserungen erzielt hat.