检索结果-维普期刊中文期刊服务平台

基于生成对抗网络与个性机理模型的旋转机械故障诊断方法被引量：4: 1; 作者吕哲马波 +1 位作者于功也陈一伟《机电工程》 CAS 北大核心 2022年第9期1203-1210,1219,共9页; 在工业生产中,由于故障数据缺失会导致诊断模型构建困难,针对这一问题,提出了一种基于生成对抗网络(GAN)与个性机理模型(MCGM)的旋转机械故障智能诊断方法。首先,采用源域数据完成了对目标域数据的领域自适应,提取出了源域中反映设备故... 展开更多; 关键词机械运行与维修转动机件领域自适应故障诊断模型生成对抗网络个性机理模型故障机理; 在线阅读下载PDF 职称材料

基于敏感特征频带的旋转机械故障源定位方法被引量：1: 2; 作者谭逸马波张强升《机电工程》 CAS 北大核心 2022年第8期1080-1087,1095,共9页; 在基于声阵的旋转机械故障监测过程中,目前通常依据专家经验人为确定声阵信号频率范围,以此来进行定位分析,容易造成故障源定位不准确,针对这一问题,提出了一种基于敏感特征频带的旋转机械故障源定位方法。首先,依据旋转机械故障声信号... 展开更多; 关键词机械运行与维修声信号监测转子不平衡故障轴承故障声阵信号频率声场分布图最小均方无失真响应信号冲击特性; 在线阅读下载PDF 职称材料

基于多小波基DWT分解的1DCNN-KAN-EA机械损伤识别方法: 3; 作者王雷付海朋《机电工程》 2025年第9期1707-1715,1829,共10页; 针对传统机械损伤识别方法处理复杂振动信号时,特征表达能力不足、识别准确率低的问题,提出了一种基于多小波基离散小波变换(DWT)分解,并结合了一维卷积神经网络(1DCNN)、Kolmogorov-Arnold网络(KAN)和外部注意力(EA)机制的机械损伤识... 展开更多; 关键词机械运行与维修离散小波变换一维卷积神经网络 Kolmogorov-Arnold网络外部注意力机制多层感知机; 在线阅读下载PDF 职称材料

基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究被引量：13: 4; 作者安文杰陈长征 +2 位作者田淼金毓林孙鲜明《机电工程》 CAS 北大核心 2022年第8期1096-1103,共8页; 风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(M... 展开更多; 关键词机械运行与维修多尺度卷积神经网络自注意力机制双向门控循环单元特征向量故障分类; 在线阅读下载PDF 职称材料

基于ISVD多级降噪和SVM的轴承故障诊断研究被引量：5: 5; 作者杜占涛纪爱敏 +2 位作者陈曦晖孙鑫威林新海《机电工程》 CAS 北大核心 2022年第5期567-577,共11页; 在强噪声背景下难以提取出滚动轴承的故障特征,导致对轴承的故障诊断准确率不高,针对这一问题,提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先,采用小波降噪对滚动轴承的原始信号进行了... 展开更多; 关键词滚动轴承故障特征频率小波变换改进奇异值分解多级降噪算法支持向量机机械运行与维修; 在线阅读下载PDF 职称材料

基于STL-1DDCAE的轴承故障诊断研究被引量：1: 6; 作者王雷孙习习《机电工程》 CAS 北大核心 2022年第5期578-586,661,共10页; 由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码... 展开更多; 关键词机械运行与维修故障诊断异常信号检测重构误差时间序列分解一维深度卷积自编码网络; 在线阅读下载PDF 职称材料

题名基于生成对抗网络与个性机理模型的旋转机械故障诊断方法被引量：4: 1; 作者吕哲马波于功也陈一伟; 机构北京化工大学机电工程学院北京化工大学高端机械装备健康监控与自愈化北京市重点实验室生态环境部核与辐射安全中心; 出处《机电工程》 CAS 北大核心 2022年第9期1203-1210,1219,共9页; 基金国家重点研发计划资助项目(2018YFB1503103)。; 文摘在工业生产中,由于故障数据缺失会导致诊断模型构建困难,针对这一问题,提出了一种基于生成对抗网络(GAN)与个性机理模型(MCGM)的旋转机械故障智能诊断方法。首先,采用源域数据完成了对目标域数据的领域自适应,提取出了源域中反映设备故障状态的共性参数,并依据GAN构建了其分布模型;然后,从构建好的分布模型中提取出共性参数,并结合MCGM与目标域正常状态数据,生成了目标域虚拟故障样本,通过虚拟故障样本与目标域正常状态样本训练,得到了目标域故障诊断模型;最后,采用标准数据集与实验室轴承数据,对基于生成对抗网络(GAN)与个性机理模型(MCGM)的旋转机械智能诊断方法进行了验证。研究结果表明:基于GAN-MCGM的旋转机械智能诊断方法在诊断任务中的平均准确率达到了92.5%,平均准确率相较其他对比方法有显著提高。; 关键词机械运行与维修转动机件领域自适应故障诊断模型生成对抗网络个性机理模型故障机理; Keywords mechanical operation and maintenance rotating parts domain adaptation(DA) fault diagnosis model generative adversarial nets(GAN) mechanism character generative model(MCGM) failure mechanisms; 分类号 TH133 [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

题名基于敏感特征频带的旋转机械故障源定位方法被引量：1: 2; 作者谭逸马波张强升; 机构北京化工大学机电工程学院北京化工大学高端机械装备健康监控与自愈化北京市重点实验室生态环境部核与辐射安全中心; 出处《机电工程》 CAS 北大核心 2022年第8期1080-1087,1095,共9页; 基金国家自然科学基金资助项目(51275141) 浙江省自然科学基金资助项目(LY18E050008)。; 文摘在基于声阵的旋转机械故障监测过程中,目前通常依据专家经验人为确定声阵信号频率范围,以此来进行定位分析,容易造成故障源定位不准确,针对这一问题,提出了一种基于敏感特征频带的旋转机械故障源定位方法。首先,依据旋转机械故障声信号具有明显的周期性冲击特性,利用Protrugram方法确定了声阵信号的敏感特征频带范围,并从中提取出了敏感特征频带信号;然后,通过最小均方无失真响应方法(MVDR)对敏感特征频带信号进行了分析,计算了旋转机械所处平面的声场分布,做出了声场分布图;将摄像头监控画面与声场分布图相结合,识别了最大声源位置,即故障源位置;最后,设计了故障模拟实验,对该方法的可行性进行了验证。研究结果表明:该方法对于轴承类故障和不平衡故障的定位误差不超过0.10 m,能有效确定旋转机械的故障源位置,实现旋转机械故障源定位的可视化。; 关键词机械运行与维修声信号监测转子不平衡故障轴承故障声阵信号频率声场分布图最小均方无失真响应信号冲击特性; Keywords mechanical operation and maintenance acoustic signal monitoring rotor unbalance fault bearing fault acoustic array signal frequency sound field distribution map minimum variance distortionless response(MVDR) signal impulse characteristics; 分类号 TH133 [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

题名基于多小波基DWT分解的1DCNN-KAN-EA机械损伤识别方法: 3; 作者王雷付海朋; 机构中国民航大学工程技术训练中心; 出处《机电工程》 2025年第9期1707-1715,1829,共10页; 基金中央高校基本科研业务费资助项目(3122024045)。; 文摘针对传统机械损伤识别方法处理复杂振动信号时,特征表达能力不足、识别准确率低的问题,提出了一种基于多小波基离散小波变换(DWT)分解,并结合了一维卷积神经网络(1DCNN)、Kolmogorov-Arnold网络(KAN)和外部注意力(EA)机制的机械损伤识别方法。首先,采用多小波基DWT分解对振动信号进行了多样性描述,并以分解得到的小波系数集合构建特征向量作为1DCNN的输入,以提取深层次故障特征;然后,构建了KAN线性层取代全连接层,进行了损伤特征识别,克服了传统多层感知机(MLP)结构在节点采用固定激活函数和线性权重的固有局限性,增强了模型对复杂损伤特征的表达能力;接着,引入EA捕捉了不同样本之间的潜在关联,提高了模型对全局上下文信息的捕捉能力;最后,在包含5类不同损伤状态的机翼大梁数据集上进行了实验研究。研究结果表明:基于多小波基DWT分解的1DCNN-KAN-EA模型平均准确率高达99.41%,相比于1DCNN、KAN分别提高了1.56%、2.54%。对比其他模型,基于多小波基DWT分解的1DCNN-KAN-EA模型在准确识别损伤特征方面具有优越性,各项指标得到明显提升,其效果优于只基于单一小波基DWT分解下的模型。; 关键词机械运行与维修离散小波变换一维卷积神经网络 Kolmogorov-Arnold网络外部注意力机制多层感知机; Keywords mechanical operation and maintenance discrete wavelet transform(DWT) one-dimensional convolutional neural network(1DCNN) Kolmogorov-Arnold network(KAN) external attention mechanism(EA) multilayer perceptron(MLP); 分类号 TH17 [机械工程] V267 [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MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究被引量：13: 4; 作者安文杰陈长征田淼金毓林孙鲜明; 机构沈阳工业大学机械工程学院宁波坤博测控科技有限公司; 出处《机电工程》 CAS 北大核心 2022年第8期1096-1103,共8页; 基金国家自然科学基金资助项目(51675350,51575361)。; 文摘风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(MSCNNSA-BiGRU)。首先,采用MSCNN提取了轴承原始振动信号的多尺度特征信息;然后,BiGRU结构挖掘原始振动信号的历史与未来信息,更全面地提取了其数据时序特征信息,同时引入self-attention来重点关注故障特征,提高了模型的故障诊断精度;最后,将特征信息融合成了一个特征向量,输入到SoftMax层,实现了对故障的分类;并将该方法应用于实际风电机组滚动轴承故障诊断中。研究结果表明:变工况背景下轴承故障识别准确率为92.7%,与经典的MSCNN网络相比,其故障识别的平均准确率提高8.13%;该方法直接从原始振动信号自适应地提取多尺度的时序特征,并将其进行融合,实现了“端到端”的滚动轴承故障诊断,省去了人工特征提取过程,提高了模型的泛化能力和鲁棒性,对实际工程风电机组滚动轴承故障诊断研究应用具有一定价值。; 关键词机械运行与维修多尺度卷积神经网络自注意力机制双向门控循环单元特征向量故障分类; Keywords mechanical operation and maintenance multi-scale convolutional neural network(MSCNN) self-attention(SA)mechanism bidirectional gated recurrent unit(BiGRU) feature vector fault classification; 分类号 TH133.33 [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

题名基于ISVD多级降噪和SVM的轴承故障诊断研究被引量：5: 5; 作者杜占涛纪爱敏陈曦晖孙鑫威林新海; 机构河海大学机电工程学院中车戚墅堰机车车辆工艺研究所有限公司; 出处《机电工程》 CAS 北大核心 2022年第5期567-577,共11页; 基金国家自然科学基金资助项目(51905147) 江苏省自然科学基金资助项目(BK20201163) 江苏省科技成果转化专项资金项目(BA2019020)。; 文摘在强噪声背景下难以提取出滚动轴承的故障特征,导致对轴承的故障诊断准确率不高,针对这一问题,提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先,采用小波降噪对滚动轴承的原始信号进行了初始降噪,消除了部分的随机噪声;然后,主要通过改进相空间矩阵重构方式,对该信号进行了改进奇异值分解二次降噪,并提出了新的奇异值有效秩阶次确定方法,利用峭度对一维信号提取方案进行了优化,并对其完成了降噪;最后,通过提取了10个有效特征,结合支持向量机在MATLAB中进行了仿真实验,分析了不同特征对轴承的故障诊断结果的影响,并将方法与其他方法进行了对比分析。研究结果表明:采用多级降噪算法降低了轴承工作状态下的背景噪声,使其故障特征频率更为明显;支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。; 关键词滚动轴承故障特征频率小波变换改进奇异值分解多级降噪算法支持向量机机械运行与维修; Keywords rolling bearing fault characteristic frequency wavelet transform(WT) improved singular value decomposition(ISVD) multi-level noise reduction algorithm support vector machines(SVM) mechanical operation and maintenance; 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

题名基于STL-1DDCAE的轴承故障诊断研究被引量：1: 6; 作者王雷孙习习; 机构中国民航大学工程技术训练中心中国民航大学电子信息与自动化学院; 出处《机电工程》 CAS 北大核心 2022年第5期578-586,661,共10页; 基金中央高校基本科研业务费民航大学专项资助项目(3122017041)。; 文摘由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。; 关键词机械运行与维修故障诊断异常信号检测重构误差时间序列分解一维深度卷积自编码网络; Keywords mechanical operation and maintenance fault diagnosis abnormal signal detection reconstruction error seasonal-trend decomposition procedure using loess(STL) one-dimensional deepconvolution auto-encoder(1DDCAE); 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	基于生成对抗网络与个性机理模型的旋转机械故障诊断方法	吕哲马波于功也陈一伟	《机电工程》 CAS 北大核心	2022	4	在线阅读下载PDF 职称材料
2	基于敏感特征频带的旋转机械故障源定位方法	谭逸马波张强升	《机电工程》 CAS 北大核心	2022	1	在线阅读下载PDF 职称材料
3	基于多小波基DWT分解的1DCNN-KAN-EA机械损伤识别方法	王雷付海朋	《机电工程》	2025		在线阅读下载PDF 职称材料
4	基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究	安文杰陈长征田淼金毓林孙鲜明	《机电工程》 CAS 北大核心	2022	13	在线阅读下载PDF 职称材料
5	基于ISVD多级降噪和SVM的轴承故障诊断研究	杜占涛纪爱敏陈曦晖孙鑫威林新海	《机电工程》 CAS 北大核心	2022	5	在线阅读下载PDF 职称材料
6	基于STL-1DDCAE的轴承故障诊断研究	王雷孙习习	《机电工程》 CAS 北大核心	2022	1	在线阅读下载PDF 职称材料