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VMD-MPE和并行双支路的变压器局部放电模式识别方法
1
作者
陈康裕
王飞
+1 位作者
曾龙兴
陈尔佳
《电工电能新技术》
北大核心
2025年第9期100-110,共11页
针对变压器局部放电信号的非平稳性和非线性特点,本文提出了一种基于变分模态分解(VMD)和多尺度排列熵(MPE)以及并行双支路的变压器局部放电模式识别方法。首先,利用VMD技术对局部放电波形进行层次分解,分离出若干带限本征模态函数(IMF)...
针对变压器局部放电信号的非平稳性和非线性特点,本文提出了一种基于变分模态分解(VMD)和多尺度排列熵(MPE)以及并行双支路的变压器局部放电模式识别方法。首先,利用VMD技术对局部放电波形进行层次分解,分离出若干带限本征模态函数(IMF),并基于MPE提取各阶IMF分量的深层特征信息,构建特征向量样本集。接着,设计了一个并行双支路模型,其中支路一通过Transformer Encoder的多头注意力机制提取全局特征,支路二利用堆叠的一维卷积神经网络(1D-CNN)结合挤压与激励网络(SENet)进一步提取局部特征信息。通过特征融合拼接策略,将双支路提取的全局与局部特征信息有效融合,从而增强模式识别的表现力。实验结果表明,本文所提出的方法在变压器局部放电模式识别中的准确率达到96.37%,且具有较高的识别效率,能够有效提升变压器局部放电故障的诊断性能,为变压器设备的维护工作提供了坚实的技术保障。
展开更多
关键词
变压器局部放电
变分模态分解
多尺度排列熵
Transformer
Encoder
一维卷积神经
网络
挤压与激励网络
故障诊断
在线阅读
下载PDF
职称材料
基于改进深度残差网络的轴承故障诊断方法
被引量：
32
2
作者
田科位
董绍江
+4 位作者
姜保军
裴雪武
汤宝平
胡小林
赵兴新
《振动与冲击》
EI
CSCD
北大核心
2021年第20期247-254,共8页
针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitati...
针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitation networks,SENet)结构引入到残差神经网络残差块之中建立特征提取通道之间的联系,得到改进深度残差网络模型;再将标签化的训练集数据样本输入改进的诊断模型中进行训练;将训练好的诊断模型应用于测试集,输出每种故障的识别结果。在训练过程中,为了抑制过拟合,对原始训练样本进行加噪处理;同时引入了激活函数LReLU和Dropout技巧来提高模型的抗干扰能力。为了验证该模型的诊断性能,选用实验数据进行验证,结果表明该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的故障诊断能力。
展开更多
关键词
滚动轴承
轴承故障诊断
深度残差
网络
挤压与激励网络
在线阅读
下载PDF
职称材料
结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法
被引量：
15
3
作者
雷春丽
薛林林
+2 位作者
焦孟萱
张护强
史佳硕
《太阳能学报》
EI
CAS
CSCD
北大核心
2023年第6期436-444,共9页
为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域...
为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域数据对所搭建改进残差神经网络模型进行训练,确定结构和参数,并使用L2正则化和Dropout机制抑制过拟合;然后,引入迁移学习,冻结使用源域数据训练好的部分模型参数,使用少量目标域数据对模型的全连接层参数进行微调;最后,对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证,实验结果表明:在不同实验条件下,所提方法与其他方法的计算结果进行比较,其均有更高的故障诊断准确度和更强的泛化能力。
展开更多
关键词
风力机
滚动轴承
故障诊断
迁移学习
挤压与激励网络
小样本
在线阅读
下载PDF
职称材料
题名
基于VMD-MPE和并行双支路的变压器局部放电模式识别方法
1
作者
陈康裕
王飞
曾龙兴
陈尔佳
机构
佛山大学机电工程与自动化学院
广东立胜综合能源服务有限公司
出处
《电工电能新技术》
北大核心
2025年第9期100-110,共11页
基金
国家自然科学基金项目(52377139)。
文摘
针对变压器局部放电信号的非平稳性和非线性特点,本文提出了一种基于变分模态分解(VMD)和多尺度排列熵(MPE)以及并行双支路的变压器局部放电模式识别方法。首先,利用VMD技术对局部放电波形进行层次分解,分离出若干带限本征模态函数(IMF),并基于MPE提取各阶IMF分量的深层特征信息,构建特征向量样本集。接着,设计了一个并行双支路模型,其中支路一通过Transformer Encoder的多头注意力机制提取全局特征,支路二利用堆叠的一维卷积神经网络(1D-CNN)结合挤压与激励网络(SENet)进一步提取局部特征信息。通过特征融合拼接策略,将双支路提取的全局与局部特征信息有效融合,从而增强模式识别的表现力。实验结果表明,本文所提出的方法在变压器局部放电模式识别中的准确率达到96.37%,且具有较高的识别效率,能够有效提升变压器局部放电故障的诊断性能,为变压器设备的维护工作提供了坚实的技术保障。
关键词
变压器局部放电
变分模态分解
多尺度排列熵
Transformer
Encoder
一维卷积神经
网络
挤压与激励网络
故障诊断
Keywords
transformer partial discharge
variational mode decomposition
multiscale permutation entropy
Transformer Encoder
One-Dimensional CNN(1D-CNN)
squeeze-and-excitation network
fault diagnosis
分类号
TM372 [电气工程—电机]
在线阅读
下载PDF
职称材料
题名
基于改进深度残差网络的轴承故障诊断方法
被引量：
32
2
作者
田科位
董绍江
姜保军
裴雪武
汤宝平
胡小林
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
重庆工业大数据创新中心有限公司
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20期247-254,共8页
基金
国家自然科学基金(51775072)。
文摘
针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitation networks,SENet)结构引入到残差神经网络残差块之中建立特征提取通道之间的联系,得到改进深度残差网络模型;再将标签化的训练集数据样本输入改进的诊断模型中进行训练;将训练好的诊断模型应用于测试集,输出每种故障的识别结果。在训练过程中,为了抑制过拟合,对原始训练样本进行加噪处理;同时引入了激活函数LReLU和Dropout技巧来提高模型的抗干扰能力。为了验证该模型的诊断性能,选用实验数据进行验证,结果表明该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的故障诊断能力。
关键词
滚动轴承
轴承故障诊断
深度残差
网络
挤压与激励网络
Keywords
rolling bearing
bearing fault diagnosis
deep residual network
extrusion and excitation network
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
结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法
被引量：
15
3
作者
雷春丽
薛林林
焦孟萱
张护强
史佳硕
机构
兰州理工大学机电工程学院
兰州理工大学数字制造技术与应用省部共建教育部重点实验室
出处
《太阳能学报》
EI
CAS
CSCD
北大核心
2023年第6期436-444,共9页
基金
国家自然科学基金(51465035)
甘肃省自然科学基金(20JR5RA466)。
文摘
为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域数据对所搭建改进残差神经网络模型进行训练,确定结构和参数,并使用L2正则化和Dropout机制抑制过拟合;然后,引入迁移学习,冻结使用源域数据训练好的部分模型参数,使用少量目标域数据对模型的全连接层参数进行微调;最后,对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证,实验结果表明:在不同实验条件下,所提方法与其他方法的计算结果进行比较,其均有更高的故障诊断准确度和更强的泛化能力。
关键词
风力机
滚动轴承
故障诊断
迁移学习
挤压与激励网络
小样本
Keywords
wind turbines
rolling bearings
fault diagnosis
transfer learning
squeeze-and-excitation networks
small sample
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
作者
出处
发文年
被引量
操作
1
基于VMD-MPE和并行双支路的变压器局部放电模式识别方法
陈康裕
王飞
曾龙兴
陈尔佳
《电工电能新技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于改进深度残差网络的轴承故障诊断方法
田科位
董绍江
姜保军
裴雪武
汤宝平
胡小林
赵兴新
《振动与冲击》
EI
CSCD
北大核心
2021
32
在线阅读
下载PDF
职称材料
3
结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法
雷春丽
薛林林
焦孟萱
张护强
史佳硕
《太阳能学报》
EI
CAS
CSCD
北大核心
2023
15
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
