检索结果-维普期刊中文期刊服务平台

基于堆叠稀疏自编码的滚动轴承故障诊断被引量：12: 1; 作者侯荣涛周子贤 +2 位作者赵晓平谢阳阳王丽华《轴承》北大核心 2018年第3期49-54,60,共7页; 针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最... 展开更多; 关键词滚动轴承深度学习堆叠稀疏自编码算法故障诊断; 在线阅读下载PDF 职称材料

基于堆叠稀疏自编码的模糊C-均值聚类算法被引量：9: 2; 作者段宝彬韩立新谢进《计算机工程与应用》 CSCD 北大核心 2015年第4期154-157,共4页; 针对模糊C-均值聚类算法对孤立点、随机初始化的聚类中心比较敏感的问题,将堆叠稀疏自编码与传统模糊C-均值聚类算法相结合,对传统模糊C-均值聚类算法进行了改进。由于堆叠稀疏自编码可以提取原始数据集从低层到高层的特征,而高层的特... 展开更多; 关键词堆叠稀疏自编码模糊C-均值聚类特征深度学习; 在线阅读下载PDF 职称材料

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用被引量：5: 3; 作者刘自然李谦 +1 位作者颜丙生尚坤《机床与液压》北大核心 2020年第23期208-213,共6页; 针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特... 展开更多; 关键词堆叠稀疏自编码深度神经网络滚动轴承故障诊断; 在线阅读下载PDF 职称材料

基于深度SSDAE网络的刀具磨损状态识别被引量：5: 4; 作者郭润兰尉卫卫 +1 位作者王广书黄华《振动．测试与诊断》 EI CSCD 北大核心 2024年第2期305-312,410,411,共10页; 针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网... 展开更多; 关键词深度堆叠稀疏自编码网络变分模态分解 K-最近邻分类器自适应特征提取状态识别; 在线阅读下载PDF 职称材料

深度学习与多信号融合在铣刀磨损状态识别中的研究被引量：5: 5; 作者穆殿方刘献礼 +4 位作者岳彩旭 Steven Y.LIANG 陈志涛李恒帅徐梦迪《机械科学与技术》 CSCD 北大核心 2021年第10期1581-1589,共9页; 为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法。以自编码网络为基础,构建了堆叠稀疏自编码网络。采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣... 展开更多; 关键词刀具磨损状态识别深度学习多信号融合堆叠稀疏自编码网络; 在线阅读下载PDF 职称材料

基于VMD-样本熵和SSAE的齿轮故障诊断被引量：11: 6; 作者徐飞蒋占四黄惠中《组合机床与自动化加工技术》北大核心 2020年第8期39-42,47,共5页; 针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition,VMD)和堆叠稀疏自编码(Stack sparse auto encoder,SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由... 展开更多; 关键词变分模态分解样本熵堆叠稀疏自编码齿轮故障; 在线阅读下载PDF 职称材料

题名基于堆叠稀疏自编码的滚动轴承故障诊断被引量：12: 1; 作者侯荣涛周子贤赵晓平谢阳阳王丽华; 机构南京信息工程大学计算机与软件学院南京信息工程大学江苏省网络监控中心南京信息工程大学信息与控制学院; 出处《轴承》北大核心 2018年第3期49-54,60,共7页; 基金国家自然科学基金项目(51505234 51405241); 文摘针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入softmax分类器实现滚动轴承健康状况精确诊断。在动力传动故障诊断试验台采集了5类轴承故障数据进行测试。试验结果表明:SSAE算法能够有效地提取故障特征,且故障诊断效果优于传统智能诊断方法。; 关键词滚动轴承深度学习堆叠稀疏自编码算法故障诊断; Keywords rolling bearing deep learning stacked sparse autoencoder algorithm fault diagnosis; 分类号 TH133.33 [机械工程—机械制造及自动化] TN911.7 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于堆叠稀疏自编码的模糊C-均值聚类算法被引量：9: 2; 作者段宝彬韩立新谢进; 机构合肥学院数学与物理系河海大学计算机与信息学院; 出处《计算机工程与应用》 CSCD 北大核心 2015年第4期154-157,共4页; 基金江苏省高校"青蓝工程"中青年学术带头人培养对象资助项目安徽省自然科学基金项目(No.1208085MA15) 合肥学院应用数学重点建设学科基金(No.2014xk08); 文摘针对模糊C-均值聚类算法对孤立点、随机初始化的聚类中心比较敏感的问题,将堆叠稀疏自编码与传统模糊C-均值聚类算法相结合,对传统模糊C-均值聚类算法进行了改进。由于堆叠稀疏自编码可以提取原始数据集从低层到高层的特征,而高层的特征通常比原始数据集更能反映待聚类样本的本质特征,用其代替原始数据集进行聚类,有助于提高聚类的效果。利用改进后的算法在UCI的几个标准数据集上进行实验,结果表明改进后的算法是有效可行的。; 关键词堆叠稀疏自编码模糊C-均值聚类特征深度学习; Keywords stacked sparse autoencoders fuzzy C-means clustering features deep learning; 分类号 TP301 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用被引量：5: 3; 作者刘自然李谦颜丙生尚坤; 机构河南工业大学机电工程学院; 出处《机床与液压》北大核心 2020年第23期208-213,共6页; 基金河南省自然科学基金项目(182300410234) 河南省高等学校重点科研计划项目(19A460014)。; 文摘针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。; 关键词堆叠稀疏自编码深度神经网络滚动轴承故障诊断; Keywords Stacked sparse auto⁃encoder Depth neural network Rolling bearing Fault diagnosis; 分类号 TH113.1 [机械工程—机械设计及理论]; 在线阅读下载PDF 职称材料

题名基于深度SSDAE网络的刀具磨损状态识别被引量：5: 4; 作者郭润兰尉卫卫王广书黄华; 机构兰州理工大学机电工程学院; 出处《振动．测试与诊断》 EI CSCD 北大核心 2024年第2期305-312,410,411,共10页; 基金国家自然科学基金资助项目(52365057,51965037)。; 文摘针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。; 关键词深度堆叠稀疏自编码网络变分模态分解 K-最近邻分类器自适应特征提取状态识别; Keywords deep stacking sparse denoising auto-encoder network variational modal decomposition KNN clas-sifier adaptive feature extraction state identification; 分类号 TH164 [机械工程—机械制造及自动化] V262.33 [航空宇航科学与技术—航空宇航制造工程]; 在线阅读下载PDF 职称材料

题名深度学习与多信号融合在铣刀磨损状态识别中的研究被引量：5: 5; 作者穆殿方刘献礼岳彩旭 Steven Y.LIANG 陈志涛李恒帅徐梦迪; 机构哈尔滨理工大学机械动力工程学院佐治亚理工学院乔治·W·伍德拉夫机械工程学院; 出处《机械科学与技术》 CSCD 北大核心 2021年第10期1581-1589,共9页; 基金国家自然科学基金国际(地区)合作与交流重点项目(51720105009) 黑龙江省自然科学基金优秀青年项目(YQ2019E029)。; 文摘为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法。以自编码网络为基础,构建了堆叠稀疏自编码网络。采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征。利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型。研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%。; 关键词刀具磨损状态识别深度学习多信号融合堆叠稀疏自编码网络; Keywords tool wear state recognition deep learning multi-signal fusion stacked sparse autoencoder network; 分类号 TG502 [金属学及工艺—金属切削加工及机床] TP306.2 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于VMD-样本熵和SSAE的齿轮故障诊断被引量：11: 6; 作者徐飞蒋占四黄惠中; 机构桂林电子科技大学机电工程学院; 出处《组合机床与自动化加工技术》北大核心 2020年第8期39-42,47,共5页; 基金国家自然科学基金项目(51565008) 桂林电子科技大学研究生优秀学位论文培育项目(17YJPYSS04)。; 文摘针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition,VMD)和堆叠稀疏自编码(Stack sparse auto encoder,SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量(Bandwidth limited intrinsic mode function,BLIMF),比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。; 关键词变分模态分解样本熵堆叠稀疏自编码齿轮故障; Keywords variational mode decomposition sample entropy stack sparse auto encoder gear fault; 分类号 TH17 [机械工程—机械制造及自动化] TG506 [金属学及工艺—金属切削加工及机床]; 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	基于堆叠稀疏自编码的滚动轴承故障诊断	侯荣涛周子贤赵晓平谢阳阳王丽华	《轴承》北大核心	2018	12	在线阅读下载PDF 职称材料
2	基于堆叠稀疏自编码的模糊C-均值聚类算法	段宝彬韩立新谢进	《计算机工程与应用》 CSCD 北大核心	2015	9	在线阅读下载PDF 职称材料
3	堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用	刘自然李谦颜丙生尚坤	《机床与液压》北大核心	2020	5	在线阅读下载PDF 职称材料
4	基于深度SSDAE网络的刀具磨损状态识别	郭润兰尉卫卫王广书黄华	《振动．测试与诊断》 EI CSCD 北大核心	2024	5	在线阅读下载PDF 职称材料
5	深度学习与多信号融合在铣刀磨损状态识别中的研究	穆殿方刘献礼岳彩旭 Steven Y.LIANG 陈志涛李恒帅徐梦迪	《机械科学与技术》 CSCD 北大核心	2021	5	在线阅读下载PDF 职称材料
6	基于VMD-样本熵和SSAE的齿轮故障诊断	徐飞蒋占四黄惠中	《组合机床与自动化加工技术》北大核心	2020	11	在线阅读下载PDF 职称材料