Fehlerdiagnoseverfahren für hydraulische Systeme basierend auf 2D-Zeitreihenmodellierung und Selbstaufmerksamkeitsfusion

Zusammenfassung Hydraulische Systeme spielen eine wesentliche und umfassende Rolle in der Mechanik und Energie. Die Leistung von intelligenten Fehlerdiagnosemodellen für mehrere Komponenten wird jedoch oft durch die Komplexität, Variabilität, starke Luftdichtheit, komplexe Strukturen und Fehlerverbergung unter realen Bedingungen beeinträchtigt. Diese Studie schlägt einen neuen Ansatz für die hydraulische Fehlerdiagnose vor, der 2D-temporale Modellierung und Aufmerksamkeitsmechanismen nutzt, um kombinierte Fehler zu entkoppeln und Merkmale aus multisample-Daten von Sensoren zu extrahieren. Zunächst wird, um das Problem des Oversamplings bei einigen Hochfrequenzsensoren im Datensatz anzugehen, eine variable Frequenzdatensampling während der Datenvorverarbeitung eingesetzt, um redundante Daten neu zu sampeln. Anschließend erfasst die zweidimensionale Faltung gleichzeitig sowohl die momentanen als auch die langfristigen Merkmale der Sensorsignale für die Kopplungssignale von Hydrauliksystemsensoren. Schließlich wird, um die Herausforderung der Mergerfusion mit multisample-Daten von Sensoren zu bewältigen, ein Mergerfusion- und Entkopplungsverfahren basierend auf einem probabilistischen spärlichen Selbstaufmerksamkeitsmechanismus entworfen, um das Problem der langen Verteilung in multisample-Daten von Sensoren zu vermeiden. Experimentelle Validierung zeigte, dass das vorgeschlagene Modell Samples effektiv nutzen kann, um genaue Fehlerentkopplung und Klassifikation für verschiedene Komponenten zu erreichen, mit einer diagnostischen Genauigkeit von über 97 % und robusten Leistungen in der Fehlerdiagnose von hydraulischen Systemen unter Geräuschbedingungen.