期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
双通道特征融合CNN-GRU齿轮箱故障诊断
被引量：
19
1
作者
张龙
甄灿壮
+3 位作者
易剑昱
蔡秉桓
徐天鹏
尹文豪
《振动与冲击》
EI
CSCD
北大核心
2021年第19期239-245,294,共8页
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上...
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。
展开更多
关键词
齿轮箱
卷积神经网络(CNN)
门控递归单元(GRU)
故障诊断
在线阅读
下载PDF
职称材料
基于CEEMDAN多尺度排列熵的轴承故障智能识别Fisher-GG聚类方法
被引量：
12
2
作者
熊国良
甄灿壮
+1 位作者
张龙
徐天鹏
《噪声与振动控制》
CSCD
2020年第6期1-7,28,共8页
针对滚动轴承振动信号的非线性、非平稳性以及复杂性,利用自适应噪声完备集合经验模态分解(Complete ensemble empirical decomposition with adaptive noise,CEEMDAN)的自适应降噪优势,结合多尺度排列熵(Multiscale permutation entrop...
针对滚动轴承振动信号的非线性、非平稳性以及复杂性,利用自适应噪声完备集合经验模态分解(Complete ensemble empirical decomposition with adaptive noise,CEEMDAN)的自适应降噪优势,结合多尺度排列熵(Multiscale permutation entropy,MPE)可以反映时间序列在不同尺度上的随机程度以及有效检测到时间序列动力学突变情况等特点,提出一种基于CEEMDAN、多尺度排列熵、Fisher比、GG(Gath-Geva,GG)聚类算法相结合的轴承故障智能识别方法。首先采用CEEMDAN算法对滚动轴承原始信号进行分解,得到若干个含有故障信息的振动信号固有模态函数(Intrinsic mode function,IMF)分量;其次采用峭度准则筛选出一个最优模态分量,并计算其多尺度排列熵值(Multi-scale permutation entropy,MPE);最后,利用Fisher比对MPE特征进行选择,将最终选择的MPE组成特征向量输入到GG聚类模型中,实现滚动轴承故障的智能识别。与其它聚类模型组合方法进行比较的结果证明所提方法在滚动轴承故障识别中的有效性和优越性。
展开更多
关键词
故障诊断
滚动轴承
自适应噪声完备集合经验模态分解
多尺度熵
Fisher比
GG聚类
在线阅读
下载PDF
职称材料
题名
双通道特征融合CNN-GRU齿轮箱故障诊断
被引量：
19
1
作者
张龙
甄灿壮
易剑昱
蔡秉桓
徐天鹏
尹文豪
机构
华东交通大学机电与车辆工程学院
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第19期239-245,294,共8页
基金
国家自然科学基金(51665013)
江西省研究生创新资金(YC2019-S243)。
文摘
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。
关键词
齿轮箱
卷积神经网络(CNN)
门控递归单元(GRU)
故障诊断
Keywords
gearbox
convolutional neural network(CNN)
gated recurrent unit(GRU)
fault diagnosis
分类号
TH133.3 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
基于CEEMDAN多尺度排列熵的轴承故障智能识别Fisher-GG聚类方法
被引量：
12
2
作者
熊国良
甄灿壮
张龙
徐天鹏
机构
华东交通大学机电与车辆工程学院
出处
《噪声与振动控制》
CSCD
2020年第6期1-7,28,共8页
基金
国家自然科学基金资助项目(51665013,51865010)
江西省自然科学基金资助项目(20161BAB216134,20171BAB206028,20171BAB216030)
+1 种基金
江西省研究生创新资金资助项目(YC2018-S248)
江西省研究生创新资金资助项目(YC2019-S243)。
文摘
针对滚动轴承振动信号的非线性、非平稳性以及复杂性,利用自适应噪声完备集合经验模态分解(Complete ensemble empirical decomposition with adaptive noise,CEEMDAN)的自适应降噪优势,结合多尺度排列熵(Multiscale permutation entropy,MPE)可以反映时间序列在不同尺度上的随机程度以及有效检测到时间序列动力学突变情况等特点,提出一种基于CEEMDAN、多尺度排列熵、Fisher比、GG(Gath-Geva,GG)聚类算法相结合的轴承故障智能识别方法。首先采用CEEMDAN算法对滚动轴承原始信号进行分解,得到若干个含有故障信息的振动信号固有模态函数(Intrinsic mode function,IMF)分量;其次采用峭度准则筛选出一个最优模态分量,并计算其多尺度排列熵值(Multi-scale permutation entropy,MPE);最后,利用Fisher比对MPE特征进行选择,将最终选择的MPE组成特征向量输入到GG聚类模型中,实现滚动轴承故障的智能识别。与其它聚类模型组合方法进行比较的结果证明所提方法在滚动轴承故障识别中的有效性和优越性。
关键词
故障诊断
滚动轴承
自适应噪声完备集合经验模态分解
多尺度熵
Fisher比
GG聚类
Keywords
fault diagnosis
rolling bearing
complete ensemble empirical decomposition with adaptive noise
multiscale entropy
Fisher ratio
GG clustering
分类号
TH113.1 [机械工程—机械设计及理论]
TH911.7 [机械工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
双通道特征融合CNN-GRU齿轮箱故障诊断
张龙
甄灿壮
易剑昱
蔡秉桓
徐天鹏
尹文豪
《振动与冲击》
EI
CSCD
北大核心
2021
19
在线阅读
下载PDF
职称材料
2
基于CEEMDAN多尺度排列熵的轴承故障智能识别Fisher-GG聚类方法
熊国良
甄灿壮
张龙
徐天鹏
《噪声与振动控制》
CSCD
2020
12
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
