Page 106 - 《软件学报》2021年第8期

2388 Journal of Software 软件学报 Vol.32, No.8, August 2021

Fig.7 Time delay comparison of different health discrimination models
图 7 不同健康状态判别模型的时延对比

Fig.8 Comparison of diagnosis accuracy of different fault diagnosis models
图 8 不同故障诊断模型的诊断精度对比

4 总 结

基于价值驱动的工业故障诊断应当是时延与准确度拉锯平衡下的技术,及时发现故障避免灾难性损失,再
进行精准的故障模式识别,能对当前工业生产产生实际价值.本文提出了一种基于 1D-CNN 联合特征提取的轴
承健康监测与故障诊断算法,该算法优先通过健康状态特征域组成的子样本训练 1D-CNN 模型,高效、准确地
发现故障,随后使用故障的特征域和原始信号耦合模型进行故障的模式识别.实验结果表明:本文在追求分类故
障准确度的同时,降低了分类延迟,且模型的存储和计算复杂度弱化了对基础硬件设施的承载能力要求.在未来
的工作中,我们将在本文提出的算法基础上对轴承复合故障诊断进行研究,分析并发故障对轴承运转数据变化
规律的影响,消除由单故障和复合故障共存引起的诊断歧义.

References:
[1] Wang FY, Zhang J. Internet of minds: The concept, issues and platforms. Acta Automatica Sinica, 2017,43(12):2061−2070 (in
Chinese with English abstract).
[2] Chen BT, Wan JF, Shu L, et al. Smart factory of industry 4.0: Key technologies, application case, and challenges. IEEE Access,
2018,6:6505−6519.
[3] Rani S, Ahmed SH, Talwar R, Malhotra J. Can sensors collect big data? An energy-efficient big data gathering algorithm for a
WSN. IEEE Trans. on Industrial Informatics, 2017,13(4):1961−1968.
[4] Hsu J, Wang YF, Lin KC, et al. Wind turbine fault diagnosis and predictive maintenance through statistical process control and
machine learning. IEEE Access, 2020,8:23427−23439.