10.3969/j.issn.1009-9492.2024.07.004
基于SAConvFormer算法的焊接故障诊断在非平衡数据集上的应用
预测性维护在制造业中扮演着重要角色,而焊接设备的有效维护更是关键,旨在减少企业支出并实现无人车间的目标.然而,焊接领域的研究尚处于初级阶段,而深度学习在此领域的应用也相对较少.针对这一问题,提出一种基于空间注意力卷积Transformer(SAConvFormer)的故障诊断模型,以解决焊接设备故障预测的挑战.通过收集焊接过程中的数据,该算法通过空间注意力机制增强卷积神经网络,从而更准确地预测焊接过程中的各种故障类型.实验结果显示,SAConvFormer模型在预测正常类型故障方面的召回率达到了95%,误差仅为2%.对焊接偏差类型的故障,模型的召回率稳定在80%左右,而不完全熔合类型的故障预测准确性相对较低,但仍保持在70%以上.与传统算法相比,SAConvFormer模型在召回率上表现优异.这一研究成果不仅在技术上取得了进展,也为焊接设备的故障诊断提供了一种新的有效方法,具有重要的理论和实践意义.
预测性维护、焊接设备、故障诊断、空间注意力机制、深度学习
53
TG43(焊接、金属切割及金属粘接)
国家自然科学基金62302103
2024-08-13(万方平台首次上网日期,不代表论文的发表时间)
共5页
18-22