基于物理信息的神经网络（PINN）基础-论文阅读1-基于循环谱相干性的物理深度学习旋转机械故障诊断

前言

论文阅读旨在通过CSDN平台分享一些最新的基于于物理信息的神经网络的相关文献资料和资讯，欢迎共同探讨! 本篇博客探讨的是荷语布鲁塞尔自由大学Fabian Perez-Sanjines于2023年发表在Mechanical Systems and Signal Processing上的一篇论文。

---

1. 摘要

发展可靠和自动化的状态监测方法在旋转机械故障的检测方法在近年来获得相当高的关注与进展。多亏了机器学习这一流行技术,纯粹的数据驱动的方法,试图解决的问题vibration-based状态监测也大大提高。而不是直接使用振动测量数据作为输入到机器学习模型,这项工作首先利用固有的周期平稳特性来自旋转机械的振动波形。该方法首先估计二维振动信号的循环谱相干映射来分解循环调节循环和载波频率平面上。虽然这提供了一个有效的工具来可视化任何潜在的故障齿轮或轴承调制签名,由于其随着时间的推移，海量数据的分析难以实现高维信息的处理。为了解决这个问题,本文提出了一种无监督深度学习的方法来运用这些海量数据作为检测工具持续振动信号的调制特点的变化。在第一阶段,一个深度的自编码器网络学会重构的预测循环性地图基于标记健康的振动数据和机器操作条件。两个后处理步骤改善缓解频率变化和异常值的预测或噪声测量。最后,预测和实际之间的残差一致性地图然后聚合,采用基于阈值的进一步担忧。autoencoder模型训练使用五年的齿轮箱振动数据从五个不同的风力涡轮机。然后验证方法在两个错误和八个健康的涡轮机。结果证实,该方法可以提供清晰的迹象表明失败的错误的涡轮机,完全没有任何重要的报警趋势健康的涡轮机。由于高效