.png){kind=icon}
返回
Minimizing Model Complexity in Fault Classification Using Inter-Axis Phase Difference
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04160-9_9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测性维护旨在早期检测故障并执行必要的维护，其重要性已被广泛研究。在利用振动数据进行故障检测时，相位信息对于早期检测非常有用。本研究重点关注同时利用幅值和相位信息进行故障诊断的方法。为了有效利用相位信息，需要进行背景噪声去除等预处理步骤。因此，关注振动数据特性被认为是关键。我们提出了一种保留轴间相位信息的相位校正方法，以及基于参考频率的相位限制方法。参考频率采用机械的旋转频率。在轴间同步校正方法中，通过保留多轴振动数据中轴间的相对相位信息，有望提高分类精度。相位限制方法旨在通过减少可能阻碍分类的信息来同时提升精度和模型效率。结果，前者有助于提高精度，后者实现了模型简化。
Keyword:
Predictive maintenance
Deep learning
Inter-axis syncronize
期刊
机构
引用论文
A Deep Learning Method for Bearing Fault Diagnosis Based on Time-frequency Image基于时频图像的轴承故障诊断深度学习方法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏