ترجمه فارسی مقاله تشخیص خطا بلبرینگ با استفاده از نمونه‌برداری نمودار و شبکه تجمیع

چکیده

Bearing fault diagnosis technology has a wide range of practical applications in industrial production, energy and other fields. Timely and accurate detection of bearing faults plays an important role in preventing catastrophic accidents and ensuring product quality. Traditional signal analysis techniques and deep learning-based fault detection algorithms do not take into account the intricate correlation between signals, making it difficult to further improve detection accuracy. To address this problem, we introduced Graph Sampling and Aggregation (GraphSAGE) network and proposed GraphSAGE-based Bearing fault Diagnosis (GSABFD) algorithm. The original vibration signal is firstly sliced through a fixed size non-overlapping sliding window, and the sliced data is feature transformed using signal analysis methods; then correlations are constructed for the transformed vibration signal and further transformed into vertices in the graph; then the GraphSAGE network is used for training; finally the fault level of the object is calculated in the output layer of the network. The proposed algorithm is compared with five advanced algorithms in a real-world public dataset for experiments, and the results show that the GSABFD algorithm improves the AUC value by 5% compared with the next best algorithm.

چکیده به فارسی (ترجمه ماشینی)

فن آوری تشخیص گسل دارای طیف گسترده ای از کاربردهای عملی در تولید صنعتی ، انرژی و سایر زمینه ها است.تشخیص به موقع و دقیق گسل های بلبرینگ نقش مهمی در جلوگیری از تصادفات فاجعه بار و اطمینان از کیفیت محصول دارد.تکنیک های تجزیه و تحلیل سیگنال سنتی و الگوریتم های تشخیص گسل مبتنی بر یادگیری عمیق ، همبستگی پیچیده بین سیگنال ها را در نظر نمی گیرند ، و بهبود بیشتر دقت تشخیص را دشوار می کند.برای پرداختن به این مشکل ، ما الگوریتم نمونه برداری و جمع آوری نمودار (GraphSage) و الگوریتم ارائه گسل تحمل مبتنی بر نمودار (GSABFD) را معرفی کردیم.سیگنال ارتعاش اصلی ابتدا از طریق یک پنجره کشویی غیر همپوشانی در اندازه ثابت قطعه قطعه می شود ، و داده های خرد شده با استفاده از روش های تجزیه و تحلیل سیگنال از ویژگی تبدیل می شوند.سپس همبستگی ها برای سیگنال ارتعاش تبدیل شده ساخته شده و بیشتر در نمودار به راس ها تبدیل می شوند.سپس از شبکه GraphSage برای آموزش استفاده می شود.سرانجام سطح گسل جسم در لایه خروجی شبکه محاسبه می شود.الگوریتم پیشنهادی با پنج الگوریتم پیشرفته در یک مجموعه داده عمومی در دنیای واقعی برای آزمایش مقایسه می شود و نتایج نشان می دهد که الگوریتم GSABFD ارزش AUC را 5 ٪ در مقایسه با بهترین الگوریتم بعدی بهبود می بخشد.