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
基于性能衰退评估的轴承寿命状态识别方法研究
被引量：
8
1
作者
董绍江
吴文亮
+4 位作者
贺坤
潘雪娇
蒙志强
汤宝平
赵兴新
《振动与冲击》
EI
CSCD
北大核心
2021年第5期186-192,210,共8页
针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能...
针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。
展开更多
关键词
寿命状态识别
性能衰退指标
卷积自编码器
MDS算法
改进卷积神经网络
在线阅读
下载PDF
职称材料
基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别
被引量：
1
2
作者
潘雪娇
董绍江
+2 位作者
周存芳
肖家丰
宋锴
《重庆交通大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第5期124-132,共9页
针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷...
针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。
展开更多
关键词
车辆与机电工程
深度卷积自编码器
性能衰退指标
多尺度残差收缩网络
寿命状态识别
在线阅读
下载PDF
职称材料
题名
基于性能衰退评估的轴承寿命状态识别方法研究
被引量：
8
1
作者
董绍江
吴文亮
贺坤
潘雪娇
蒙志强
汤宝平
赵兴新
机构
重庆交通大学机电与车辆工程学院
重庆大学机械传动国家重点实验室
重庆长江轴承股份有限公司
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第5期186-192,210,共8页
基金
国家自然科学基金资助项目(51775072)
重庆市科委基础与前沿项目(cstc2017jcyjAX0279)
+1 种基金
重庆市研究生教育创新基金项目资助(CYS17199)
重庆交通大学研究生教育创新基金项目资助(20160108)。
文摘
针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。
关键词
寿命状态识别
性能衰退指标
卷积自编码器
MDS算法
改进卷积神经网络
Keywords
life state recognition
performance degradation index
convolutional auto-encoder(CAE)
multi-dimensional scaling(MDS)
convolutional neutral network(CNN)
分类号
TH17 [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
基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别
被引量：
1
2
作者
潘雪娇
董绍江
周存芳
肖家丰
宋锴
机构
重庆交通大学交通运输学院
重庆交通大学机电与车辆工程学院
重庆长安汽车股份有限公司
出处
《重庆交通大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第5期124-132,共9页
基金
国家自然科学基金项目(51775072)
重庆市高校创新研究群体项目(CXQT20019)
重庆市科技创新领军人才支持计划项目(CSTCCCXLJRC201920)。
文摘
针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。
关键词
车辆与机电工程
深度卷积自编码器
性能衰退指标
多尺度残差收缩网络
寿命状态识别
Keywords
mechatronics vehicle engineering
deep convolutional autoencoder
performance degradation index
multi-scale residual shrinkage network
life state recognition
分类号
TH133.3 [机械工程—机械制造及自动化]
TH17 [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
作者
出处
发文年
被引量
操作
1
基于性能衰退评估的轴承寿命状态识别方法研究
董绍江
吴文亮
贺坤
潘雪娇
蒙志强
汤宝平
赵兴新
《振动与冲击》
EI
CSCD
北大核心
2021
8
在线阅读
下载PDF
职称材料
2
基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别
潘雪娇
董绍江
周存芳
肖家丰
宋锴
《重庆交通大学学报（自然科学版）》
CAS
CSCD
北大核心
2024
1
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
