회전 기계의 작동 과정에서 많은 소음이 수반됩니다. 기존의 단일 채널 네트워크는 소음에 대한 저항력이 약해 회전 기계의 장애 진단 과정에 문제가 있습니다. 병렬 메커니즘을 포함한 이중 채널 입력 Let Net-5 합성곱 신경망 모델을 제안했습니다. 모델의 합리성 검증 과정은 Case Western Reserve 대학의 베어링 데이터 세트를 사용합니다. 기존 데이터셋에 -10dB의 가우스 백색 잡음을 추가하여 실제 잡음 상황을 시뮬레이션합니다. 짧은시간 푸리에 변환을 사용하여 전동기 팬 및 구동단 진동 데이터를 처리하고 결과적으로 시간 주파수 이미지가 이중 채널 입력 Let Net-5 합성 신경망 모델에 전송되어 교육 및 학습됩니다. 연구 결과는 이중 채널 입력 Let Net-5 합성 신경망 모델이 소음이 강한 환경에서 장애 특성을 잘 포착할 수 있음을 보여줍니다. 여러 스케일 특성 퓨전 모델, 다중 모드 커플링 입력 신경망 모델, 전통적인 K 최근접 이웃 및 의사 결정 나무 모델 및 단일 채널 입력 Let Net-5 합성 신경망 모델과 비교하여, 이중 채널 입력 Let Net-5 합성 신경망 모델은 더 높은 효율성과 정확도를 가지고 있습니다.

장애 진단; 진동; 딥 러닝; 이중 채널; 잡음