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
3
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
基于EESP与ODConv的多尺度轴承故障诊断方法
1
作者
任义
陈大鹏
+1 位作者
栾方军
袁帅
《机电工程》
北大核心
2025年第5期832-844,920,共14页
为了解决轴承故障诊断中多尺度特征提取准确性和稳定性不足的问题,提出了一种融合增强高效空间金字塔(EESP)与全维动态卷积(ODConv)的多尺度轴承诊断方法,即基于多尺度全维动态卷积网络(MSODConvNet)的轴承故障诊断模型。首先,采用了基...
为了解决轴承故障诊断中多尺度特征提取准确性和稳定性不足的问题,提出了一种融合增强高效空间金字塔(EESP)与全维动态卷积(ODConv)的多尺度轴承诊断方法,即基于多尺度全维动态卷积网络(MSODConvNet)的轴承故障诊断模型。首先,采用了基于EESP的空洞卷积金字塔模块,利用了多尺度空洞卷积结构增强了特征提取能力,有效地捕捉了不同尺度的特征信息,从而提升了模型对复杂信号的感知能力;其次,采用的ODConv模块使卷积核在多个维度上同时进行了高效运作,使用动态调整卷积核结构提升了模型的灵活性和适应性,使其能够更好地应对复杂数据中的多样化模式和特征;最后,在ODConv模块中引入了双跳跃连接机制,进一步强化了信息在深层网络中的传递效果,确保了特征信息的完整性和高效传递。研究结果表明:基于EESP和ODConv的多尺度模型在分类准确率方面得到较大的提高,在凯斯西储大学(CWRU)数据集上的准确率可达99.50%,表现出较高的准确性和稳定性,并在与其他对比方法的比较中展现出较高的优势。该研究可为工业设备的智能维护和故障诊断提供新的方法和思路,为实现更精确和更高效的故障诊断提供理论依据。
展开更多
关键词
轴承故障诊断
多尺度
特征提取
增强高效空间金字塔
多尺度
全维
动态
卷积
网络
双跳跃连接机制
故障诊断模型
在线阅读
下载PDF
职称材料
强噪声环境下基于MSDCNN的滚动轴承故障诊断方法
2
作者
雷春丽
史佳硕
+3 位作者
马淑珍
缪成翔
万会元
李建华
《北京航空航天大学学报》
北大核心
2025年第9期2906-2915,共10页
针对传统基于深度学习的轴承故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于多尺度动态卷积神经网络(MSDCNN)的滚动轴承故障诊断方法。采用傅里叶变换将滚动轴承一维振动信号转换到频域进行表示,并通过...
针对传统基于深度学习的轴承故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于多尺度动态卷积神经网络(MSDCNN)的滚动轴承故障诊断方法。采用傅里叶变换将滚动轴承一维振动信号转换到频域进行表示,并通过宽卷积核进一步提取特征;提出一种多尺度动态卷积结构,利用改进的通道注意力机制,对不同大小的卷积核提取的特征信息赋予不同的权重;设计一种自校准空间注意力机制(SCSAM),将提取的特征信息输入到空间注意力机制中,捕获不同区域的重要程度;通过小卷积核进一步提取特征,利用Softmax分类器进行故障类别分类。使用2种不同数据集验证所提模型的故障诊断性能,实验结果表明:与多尺度深度卷积神经网络(MSD-CNN)、宽卷积核卷积神经网络(WKCNN)等智能模型相比,所提模型在强噪声背景下具有更高的分类精度、更好的泛化能力和更强的鲁棒性。
展开更多
关键词
故障诊断
傅里叶变换
多尺度动态卷积
注意力机制
滚动轴承
在线阅读
下载PDF
职称材料
基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究
被引量：
2
3
作者
陈奇
陈长征
安文杰
《机电工程》
CAS
北大核心
2023年第7期1031-1038,共8页
针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态...
针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。
展开更多
关键词
故障诊断
风电机组
行星齿轮箱
残差学习
多尺度
学习
多尺度
动态
自适应
卷积
神经网络
在线阅读
下载PDF
职称材料
题名
基于EESP与ODConv的多尺度轴承故障诊断方法
1
作者
任义
陈大鹏
栾方军
袁帅
机构
沈阳建筑大学计算机科学与工程学院
出处
《机电工程》
北大核心
2025年第5期832-844,920,共14页
基金
国家自然科学基金资助项目(62073227)
辽宁省科学技术厅基金资助项目(1668585108607)。
文摘
为了解决轴承故障诊断中多尺度特征提取准确性和稳定性不足的问题,提出了一种融合增强高效空间金字塔(EESP)与全维动态卷积(ODConv)的多尺度轴承诊断方法,即基于多尺度全维动态卷积网络(MSODConvNet)的轴承故障诊断模型。首先,采用了基于EESP的空洞卷积金字塔模块,利用了多尺度空洞卷积结构增强了特征提取能力,有效地捕捉了不同尺度的特征信息,从而提升了模型对复杂信号的感知能力;其次,采用的ODConv模块使卷积核在多个维度上同时进行了高效运作,使用动态调整卷积核结构提升了模型的灵活性和适应性,使其能够更好地应对复杂数据中的多样化模式和特征;最后,在ODConv模块中引入了双跳跃连接机制,进一步强化了信息在深层网络中的传递效果,确保了特征信息的完整性和高效传递。研究结果表明:基于EESP和ODConv的多尺度模型在分类准确率方面得到较大的提高,在凯斯西储大学(CWRU)数据集上的准确率可达99.50%,表现出较高的准确性和稳定性,并在与其他对比方法的比较中展现出较高的优势。该研究可为工业设备的智能维护和故障诊断提供新的方法和思路,为实现更精确和更高效的故障诊断提供理论依据。
关键词
轴承故障诊断
多尺度
特征提取
增强高效空间金字塔
多尺度
全维
动态
卷积
网络
双跳跃连接机制
故障诊断模型
Keywords
bearing fault diagnosis
multi-scale feature extraction
extremely efficient spatial pyramid(EESP)
multi-scale full-dimensional dynamic convolution network(MSODConvNet)
dual-skip jumping connection mechanism
fault diagnosis model
分类号
TH133.3 [机械工程—机械制造及自动化]
TP277 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
强噪声环境下基于MSDCNN的滚动轴承故障诊断方法
2
作者
雷春丽
史佳硕
马淑珍
缪成翔
万会元
李建华
机构
兰州理工大学机电工程学院
云南文山铝业有限公司
出处
《北京航空航天大学学报》
北大核心
2025年第9期2906-2915,共10页
基金
国家自然科学基金(51465035)
甘肃省自然科学基金(20JR5RA466)
+1 种基金
甘肃省教育厅研究生“创新之星”项目(2023CXZX-411)
兰州理工大学红柳一流学科建设项目。
文摘
针对传统基于深度学习的轴承故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于多尺度动态卷积神经网络(MSDCNN)的滚动轴承故障诊断方法。采用傅里叶变换将滚动轴承一维振动信号转换到频域进行表示,并通过宽卷积核进一步提取特征;提出一种多尺度动态卷积结构,利用改进的通道注意力机制,对不同大小的卷积核提取的特征信息赋予不同的权重;设计一种自校准空间注意力机制(SCSAM),将提取的特征信息输入到空间注意力机制中,捕获不同区域的重要程度;通过小卷积核进一步提取特征,利用Softmax分类器进行故障类别分类。使用2种不同数据集验证所提模型的故障诊断性能,实验结果表明:与多尺度深度卷积神经网络(MSD-CNN)、宽卷积核卷积神经网络(WKCNN)等智能模型相比,所提模型在强噪声背景下具有更高的分类精度、更好的泛化能力和更强的鲁棒性。
关键词
故障诊断
傅里叶变换
多尺度动态卷积
注意力机制
滚动轴承
Keywords
fault diagnosis
Fourier transform
multi-scale dynamic convolution
attention mechanism
rolling bearings
分类号
TH133.33 [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
基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究
被引量：
2
3
作者
陈奇
陈长征
安文杰
机构
沈阳工业大学机械工程学院
出处
《机电工程》
CAS
北大核心
2023年第7期1031-1038,共8页
基金
国家自然科学基金资助项目(51575361)。
文摘
针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。
关键词
故障诊断
风电机组
行星齿轮箱
残差学习
多尺度
学习
多尺度
动态
自适应
卷积
神经网络
Keywords
fault diagnosis
wind turbine
planetary gearbox
residual learning
multi-scale learning
multi-scale dynamic adaptive convolution neural networks(MSDAC)
分类号
TH132.41 [机械工程—机械制造及自动化]
TM315 [电气工程—电机]
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EESP与ODConv的多尺度轴承故障诊断方法
任义
陈大鹏
栾方军
袁帅
《机电工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
强噪声环境下基于MSDCNN的滚动轴承故障诊断方法
雷春丽
史佳硕
马淑珍
缪成翔
万会元
李建华
《北京航空航天大学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究
陈奇
陈长征
安文杰
《机电工程》
CAS
北大核心
2023
2
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
