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7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：
联合残差域自适应的变工况轴承故障诊断方法 被引量：1
1
作者 骆世龙 段礼祥 张俊玲 《石油机械》 北大核心 2024年第4期18-26,共9页
滚动轴承由于实际工况变化造成故障数据特征分布不同,出现跨领域问题,传统以数据独立同分布为前提的故障诊断方法难以解决该问题。为此,设计并搭建了聚合残差网络,以残差连接和分组卷积式的独特网络结构实现故障敏感特征深度挖掘。提出... 滚动轴承由于实际工况变化造成故障数据特征分布不同,出现跨领域问题,传统以数据独立同分布为前提的故障诊断方法难以解决该问题。为此,设计并搭建了聚合残差网络,以残差连接和分组卷积式的独特网络结构实现故障敏感特征深度挖掘。提出一种联合残差域自适应的故障诊断方法,该方法通过最优广义S变换构建聚合残差网络提取图像的可迁移特征,最后以联合最大均值差异自适应地减小数据间的联合分布差异,实现变工况轴承的故障诊断。对3种工况下的滚动轴承进行了6组迁移试验,试验结果表明:联合残差域自适应方法故障诊断准确率达到了98.29%,相比于联合分布自适应法JDA和联合分布自适应+卷积神经网络法JDA+CNN,分别提升了21.0和5.1个百分点。研究结果可为变工况滚动轴承的故障诊断提供技术参考。 展开更多
关键词 滚动轴承 故障诊断 聚合残差网络 联合残差域自适应 故障诊断准确率
在线阅读 下载PDF
基于ALIF和1DCNN的滚动轴承故障诊断方法 被引量：1
2
作者 聂勇军 孟金 肖英楠 《机电工程》 CAS 北大核心 2022年第10期1390-1397,共8页
在滚动轴承的故障信号中,由于存在较多冗余信息成分的问题,会对基于一维卷积神经网络(1DCNN)的故障诊断的准确度产生干扰,为此,提出了一种基于自适应局部迭代滤波算法(ALIF)和1DCNN的滚动轴承故障诊断方法,即先对原始信号分解重构,再进... 在滚动轴承的故障信号中,由于存在较多冗余信息成分的问题,会对基于一维卷积神经网络(1DCNN)的故障诊断的准确度产生干扰,为此,提出了一种基于自适应局部迭代滤波算法(ALIF)和1DCNN的滚动轴承故障诊断方法,即先对原始信号分解重构,再进行分类的智能故障诊断方法。首先,使用ALIF对原始信号进行了分解,其算法相较于其他信号分解算法有较少的模态混叠现象,这得益于保持其原始物理意义中,并最大程度地提取其表征信息,提高其故障诊断正确率;然后,使用了皮尔逊相关系数法选择与原始信号相关最大的本征模函数(IMF)进行了重构,得到了冗余信号较少的信号;最后,直接将处理后的数据作为1DCNN的输入,进行了智能故障诊断。研究结果表明:在对滚动轴承的4种故障状态进行分类的准确度方面,相较于原始方法,基于ALIF和1DCNN的方法准确度提高了8%,其分类准确度达到99%;仿真信号证明了ALIF分解性能的优越性,采用实验台采集的实际数据验证了该方法的先进性。 展开更多
关键词 自适应局部迭代滤波 一维卷积神经网络 信号分解重构 故障分类 冗余信息成分 模态混叠 故障诊断准确率
在线阅读 下载PDF
基于均衡适配迁移的异源域样本轴承故障诊断 被引量：3
3
作者 朱旭东 《机电工程》 CAS 北大核心 2023年第3期361-369,共9页
由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分... 由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明:在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。 展开更多
关键词 轴承故障诊断准确率 异源域样本 改进均衡适配 迁移学习 K近邻算法 源域数据 目标域数据
在线阅读 下载PDF
基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法 被引量：2
4
作者 王俊年 王源 童鹏程 《机电工程》 CAS 北大核心 2023年第3期317-325,369,共10页
在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验... 在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明:在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。 展开更多
关键词 深度学习 集合经验模态分解 短时傅里叶变换 并行卷积神经网络 特征提取 本征模态函数 故障诊断准确率和鲁棒性
在线阅读 下载PDF
基于RCMDE和ISOMAP的行星齿轮传动耦合故障辨识研究
5
作者 苏世卿 王华锋 《机电工程》 CAS 北大核心 2024年第9期1584-1594,共11页
现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细... 现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细复合多尺度散度熵(RCMDE)、等距特征映射(ISOMAP)和遗传算法优化核极限学习机(GA-KELM)的行星齿轮箱耦合故障诊断方法。首先,利用振动加速度计采集了行星齿轮箱单一故障和耦合故障下运行时的振动信号,构建了故障数据集;随后,利用RCMDE提取了行星齿轮箱振动信号的故障特征,建立了初始的特征样本;接着,利用ISOMAP对故障特征进行了降维,并以可视化的方式获取了低维的特征样本;最后,将新特征输入至GA-KELM分类器中,对行星齿轮箱的不同故障类型进行了识别,并基于行星齿轮箱多点损伤样本,对RCMDE方法的可靠性进行了研究。研究结果表明:基于RCMDE和ISOMAP的故障特征提取方法能够有效提取振动信号中的故障特征,而GA-KELM的故障诊断准确率达到了98.13%,平均诊断准确率达到了96.25%。相较其他故障特征提取方法,基于RCMDE、ISOMAP和GA-KELM的行星齿轮箱耦合故障诊断方法能够更好地诊断行星齿轮箱的耦合故障,具有更高的诊断准确率。 展开更多
关键词 齿轮传动 耦合故障 故障诊断准确率 精细复合多尺度散度熵 等距特征映射 遗传算法优化核极限学习机
在线阅读 下载PDF
考虑多普勒效应的列车轴承参数驱动声学故障诊断模型 被引量：1
6
作者 滕繁荣 刘方 +3 位作者 翟中平 侯超强 翟涛涛 刘永斌 《机电工程》 CAS 北大核心 2022年第9期1175-1184,共10页
在轨边声学检测过程中,列车轴承信号由于受到多普勒效应的影响,会导致其轴承故障诊断准确性下降,针对这一问题,提出了一种基于参数驱动学习模型的列车轴承声学智能故障诊断方法。首先,对列车轴承振动信号受多普勒效应影响导致失真的因... 在轨边声学检测过程中,列车轴承信号由于受到多普勒效应的影响,会导致其轴承故障诊断准确性下降,针对这一问题,提出了一种基于参数驱动学习模型的列车轴承声学智能故障诊断方法。首先,对列车轴承振动信号受多普勒效应影响导致失真的因素进行了分析,提出了故障诊断方法,即在前期样本不平衡情况下,利用运动学参数驱动的安全域模型(KPD-SRM)进行诊断;在后期样本平衡情况下,利用运动学参数驱动的一维卷积神经网络(KPD-CNN)进行诊断;然后,在仿真情况下,利用该方法分别对样本不平衡和样本平衡的10种不同故障类型的轴承样本进行了故障诊断,计算了其故障诊断的准确率;最后,在实验情况下,利用该方法分别对样本不平衡和样本平衡的4种不同故障类型的轴承样本进行了故障诊断,并计算了其故障诊断的准确率。研究结果表明:在样本不平衡和样本平衡两种情况下,仿真案例的诊断准确率分别达到97.5%和96%,实验案例的诊断准确率分别达到93.5%和97%;参数驱动学习模型可以在不经过复杂的信号校正情况下,有效利用历史数据提高其故障诊断的准确率,且其诊断的准确率随着监测样本的增加而不断提高。 展开更多
关键词 轮对轴承 轨边声学检测系统 信号校正 运动学参数驱动安全域模型 运动学参数驱动卷积神经网络 故障诊断准确率 样本不平衡
在线阅读 下载PDF
基于RBR+CBR双重推理的带式输送机驱动系统故障诊断研究 被引量：6
7
作者 张宇 寇子明 +1 位作者 韩聪 寇少凯 《机电工程》 CAS 北大核心 2023年第11期1785-1793,共9页
基于规则推理(RBR)和基于案例推理(CBR)的方法均适用于带式输送机故障诊断领域。针对二者在故障诊断中或侧重原因分析或侧重维修手段的问题,对基于RBR+CBR双重推理的推理机制进行了研究,并建立了专家系统,对带式输送机驱动系统进行了故... 基于规则推理(RBR)和基于案例推理(CBR)的方法均适用于带式输送机故障诊断领域。针对二者在故障诊断中或侧重原因分析或侧重维修手段的问题,对基于RBR+CBR双重推理的推理机制进行了研究,并建立了专家系统,对带式输送机驱动系统进行了故障诊断。首先,在传统专家系统的结构基础上构建了故障诊断专家系统;然后,根据故障机理建立了驱动系统故障树,采用产生式表示法设计了故障规则库,根据故障案例与专家经验,采用矩阵表示法设计了故障案例库;基于规则推理(RBR)和基于案例推理(CBR)的方法,设计了专家系统推理机制;利用LabVIEW程序开发平台设计了专家系统人机交互界面,实现了传感器—知识库—客户端之间的串联通信;最后,为了验证上述专家系统的可行性,在某矿带式输送机运行现场进行了实验,并进行了结果分析。研究结果表明:该带式输送机专家系统的故障原因分析准确率超过95%,故障维修方案有效性超过94%;与RBR、CBR算法支持下的专家系统相比,该专家系统具有更优的收敛性、有效性和准确性,为带式输送机的故障智能诊断提供了一种有效的方法。 展开更多
关键词 运输机械 皮带输送机 故障诊断专家系统 专家系统推理机制 故障诊断准确率 基于规则推理 基于案例推理
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