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
共找到10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：
基于一维深度卷积自动编码器的刀具状态监测方法 被引量：11
1
作者 杨国葳 李宏坤 +1 位作者 张明亮 黄刚劲 《振动与冲击》 EI CSCD 北大核心 2021年第21期223-233,274,共12页
由于现有智能刀具磨损状态识别方法存在过于依赖样本数据预处理手段的问题,提出了一种基于一维深度卷积自动编码器(ODCAE)的刀具磨损状态识别方法,提高利用原始时域信号作为模型输入的刀具磨损状态识别精度。首先采集不同工况下主轴电... 由于现有智能刀具磨损状态识别方法存在过于依赖样本数据预处理手段的问题,提出了一种基于一维深度卷积自动编码器(ODCAE)的刀具磨损状态识别方法,提高利用原始时域信号作为模型输入的刀具磨损状态识别精度。首先采集不同工况下主轴电机的三相电流信号,将三相电流信号融合成电流有效值并做归一化处理,以此作为模型的输入。然后,利用一维深度卷积自动编码器对输入样本进行无监督预训练,提取基于信号本身的特征信息。最后保留自动编码器的编码部分,利用样本标签进行二次有监督微调,实现对刀具不同磨损状态的识别。实验结果表明,ODCAE方法对刀具不同的磨损状态平均识别率可达99%,卡帕系数0.9840,能够自适应地提取特征并高效率的实现刀具磨损状态识别。 展开更多
关键词 刀具磨损 主轴电流 深度学习 一维深度卷积自动编码器(ODCAE)
在线阅读 下载PDF
基于一维深度卷积生成对抗网络的钢轨波磨识别方法 被引量：2
2
作者 谢烨 赵闻强 +1 位作者 杨红运 包学海 《铁道建筑》 北大核心 2022年第12期62-66,71,共6页
实际工程中钢轨波磨数据难以大量获取,无法构建庞大数据集进行智能诊断模型训练。针对这一问题,本文提出了一种基于一维深度卷积生成对抗网络的钢轨波磨识别方法。首先使用一维生成对抗网络生成与实际波磨振动信号结构相同的伪样本,对... 实际工程中钢轨波磨数据难以大量获取,无法构建庞大数据集进行智能诊断模型训练。针对这一问题,本文提出了一种基于一维深度卷积生成对抗网络的钢轨波磨识别方法。首先使用一维生成对抗网络生成与实际波磨振动信号结构相同的伪样本,对样本信号的数据集进行扩充;然后提取波磨振动信号的时域统计指标作为波磨数据的特征;最后使用分类算法对不同特征的波磨振动数据进行学习与分类。使用实测钢轨波磨振动数据进行试验验证,结果表明:利用本文方法所生成的伪样本数据,在时域、频域以及时域特征指标方面均与真实样本数据基本一致;使用KNN、SVM和DT三种分类模型对波磨数据的特征进行分类和对比,均可较好地进行波磨识别。 展开更多
关键词 钢轨波磨 伪样本 试验研究 一维深度卷积 生成对抗网络 特征指标 平均分类准确率
在线阅读 下载PDF
ISW32离心泵深度一维卷积神经网络故障诊断 被引量：1
3
作者 贺婷婷 张晓婷 +1 位作者 李强 颜洁 《机械设计与制造》 北大核心 2025年第4期213-216,共4页
传统卷积神经网络进行故障诊断过程费时费力,且人工提取特征未必完善。通过搭建离心泵故障诊断实验系统获得采样本,输入到深度一维卷积神经网络中进行故障诊断。通过提高1DCNN深度,为1DCNN模型设置了更多卷积层,最终实现D-1DCNN模型达... 传统卷积神经网络进行故障诊断过程费时费力,且人工提取特征未必完善。通过搭建离心泵故障诊断实验系统获得采样本,输入到深度一维卷积神经网络中进行故障诊断。通过提高1DCNN深度,为1DCNN模型设置了更多卷积层,最终实现D-1DCNN模型达到更强的特征提取能力。通过参数设置对深度一维卷积神经网络进行调节,确定最优的参数范围:学习率为0.01,卷积核选取为(1×3),批处理量为50,采取最大池化条件,以Adam优化器优化实验参数。实验测试研究结果表明:深度一维卷积神经网络在离心泵故障诊断实现了99.97%准确率,可以满足智能故障诊断的要求。该研究对提高ISW32离心泵的故障诊断能量具有很好的实际应用价值。 展开更多
关键词 离心泵 故障诊断 深度一维卷积神经网络 准确率 实验 采样
在线阅读 下载PDF
基于一维卷积神经网络的低压万能式断路器附件故障诊断 被引量：34
4
作者 孙曙光 李勤 +2 位作者 杜太行 崔景瑞 王景芹 《电工技术学报》 EI CSCD 北大核心 2020年第12期2562-2573,共12页
由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题... 由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。 展开更多
关键词 万能式断路器 分合闸附件 线圈电流 一维深度卷积神经网络 故障诊断
在线阅读 下载PDF
基于深度学习的癫痫脑电不平衡分类方法 被引量：11
5
作者 费洪磊 袁琦 郑玉叶 《仪器仪表学报》 EI CAS CSCD 北大核心 2021年第3期231-240,共10页
癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义。由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的。针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法。首先,为防止不同... 癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义。由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的。针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法。首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金字塔型的一维深度卷积神经网络,并利用平衡处理的训练集进行训练。与常见的二维卷积神经网络不同,本文构造的一维卷积神经网络减少了训练参数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合。在长达991小时的长程头皮脑电数据集上的实验表明,经过平衡处理后的检测效果得到明显改善,最佳敏感度达到92.35%,特异性达到99.88%,阳性预测率达到90.68%,阴性预测率达到99.91%。同时,与其他癫痫检测方法的比较表明,本文方法具有更好的检测结果,更加符合临床应用的要求。 展开更多
关键词 癫痫检测 脑电信号 不平衡分类 Borderline-SMOTE 一维深度卷积神经网络
在线阅读 下载PDF
基于深度1DCNN的25YCY柱塞泵故障诊断网络优化及验证 被引量：2
6
作者 马海英 张鹏 郭志军 《中国工程机械学报》 北大核心 2022年第3期269-272,278,共5页
以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响。在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强。以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动... 以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响。在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强。以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动信号的获取,开展故障诊断测试分析。研究结果表明:对D-1DCNN进行网络参数调节优化确定,学习率为0.3,卷积核高度3,批处理量保持50,最大池化模型,Adam优化器。在10次迭代后再进行第二次迭代时达到100%准确率,训练时间共124 s,表明D-1DCNN能够满足对轴向柱塞泵故障进行准确诊断的结果,完全符合智能故障诊断指标。该研究对提高25YCY柱塞泵的故障诊断具有很好的实际应用价值。 展开更多
关键词 柱塞泵 故障诊断 深度一维卷积神经网络 准确率 采样
在线阅读 下载PDF
基于1DDCNN和PCA信息融合的滚动轴承FLHI智能提取方法 被引量：6
7
作者 罗鹏 胡茑庆 +2 位作者 沈国际 程哲 周子骏 《振动与冲击》 EI CSCD 北大核心 2021年第8期143-149,共7页
滚动轴承故障预测方法的核心在于健康指数(HI)的构建,绝大部分已经提出的HI都是基于专家经验人工构造的,且往往只能适用于部件某一特定退化阶段的趋势分析。为解决上述问题,结合振动信号的一维特性,提出一种基于一维深度卷积神经网络(1D... 滚动轴承故障预测方法的核心在于健康指数(HI)的构建,绝大部分已经提出的HI都是基于专家经验人工构造的,且往往只能适用于部件某一特定退化阶段的趋势分析。为解决上述问题,结合振动信号的一维特性,提出一种基于一维深度卷积神经网络(1DDCNN)结合主成分分析(PCA)的滚动轴承全寿命健康指数(FLHI)智能提取法;利用1DDCNN对原始时域信号自适应提取特征,深度挖掘能够表征研究对象健康状态的退化特征矩阵,而后利用PCA法对提取的特征矩阵进行融合,从而实现研究对象的FLHI智能提取。滚动轴承试验振动信号实测结果表明,相较于传统健康指数,FLHI在趋势性、鲁棒性和单调性方面更具有优势。 展开更多
关键词 一维深度卷积神经网络(1DDCNN) 主成分分析(PCA) 全寿命健康指数(FLHI) 智能提取
在线阅读 下载PDF
基于STL-1DDCAE的轴承故障诊断研究 被引量：1
8
作者 王雷 孙习习 《机电工程》 CAS 北大核心 2022年第5期578-586,661,共10页
由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码... 由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。 展开更多
关键词 机械运行与维修 故障诊断 异常信号检测 重构误差 时间序列分解 一维深度卷积自编码网络
在线阅读 下载PDF
基于注意力机制和改进CLDNN的雷达辐射源识别 被引量：6
9
作者 崔邦彦 田润澜 +2 位作者 王东风 崔钢 石静苑 《系统工程与电子技术》 EI CSCD 北大核心 2021年第5期1224-1231,共8页
传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求。随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法... 传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求。随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法在低信噪比环境下,辐射源识别准确率低。针对上述问题,采用深度学习,引入注意力机制和特征融合方法,提出注意力机制特征融合一维卷积长短时深度神经网络(attention-mechanism feature-fusion one-dimensional convolution long-short-term-memory deep neural networks,AF1CLDNN)识别模型。实验验证了注意力机制和特征融合方法的有效性,及新识别模型在低信噪比环境下具有较高识别准确率与识别速度。 展开更多
关键词 辐射源识别 深度学习 时间序列 注意力机制 特征融合 一维卷积长短时深度神经网络
在线阅读 下载PDF
基于D-1DCNN的轴向柱塞泵故障诊断研究 被引量：7
10
作者 徐昌玲 黄家海 +4 位作者 兰媛 武兵 钮晨光 马晓宝 李斌 《机电工程》 CAS 北大核心 2021年第11期1494-1500,共7页
由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨... 由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了训练样本信号的特征提取工作,通过前向传播和反向传播方式得到了D-1DCNN的具体模型;再使用SoftMax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设计或提取特征过程便可实现诊断过程的智能化;对于不同的故障诊断对象,该方法也具备良好的诊断效果,因而具有一定的普适性。 展开更多
关键词 轴向柱塞泵 故障诊断 深度一维卷积神经网络 深度学习 SoftMax
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部