基于格拉姆角差场和生成对抗网络的小样本滚动轴承故障诊断方法 被引量：2

1

作者 强睿儒 赵小强 《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第10期64-75,共12页

针对基于深度学习的滚动轴承故障诊断算法需要从大量标注数据中学习,且面对样本数量受限时诊断效果不佳的问题,文中提出了一种基于格拉姆角差场(GADF)和生成对抗网络(GAN)的小样本滚动轴承故障诊断方法。首先,提出了基于GADF变换的数据... 针对基于深度学习的滚动轴承故障诊断算法需要从大量标注数据中学习,且面对样本数量受限时诊断效果不佳的问题,文中提出了一种基于格拉姆角差场(GADF)和生成对抗网络(GAN)的小样本滚动轴承故障诊断方法。首先,提出了基于GADF变换的数据增强方式,将少数1维振动信号通过GADF变换转换为2维GADF图像,并通过裁剪得到GADF子图,从而得到大量的图像样本;然后,将条件生成对抗网络(CGAN)与带有梯度惩罚的Wasserstein GAN(WGAN-GP)相结合,构建一种新的生成对抗网络,该网络通过条件辅助信息与梯度惩罚增强模型训练稳定性,并设计动态坐标注意力机制以增强模型的空间感知能力,从而生成高质量样本;最后,使用生成的样本对分类器进行训练,并在验证集上得到诊断结果。文中分别使用东南大学数据集和美国凯斯西储大学(CWRU)数据集进行了两组小样本环境下的轴承故障诊断实验。结果表明,与传统生成对抗网络以及先进的小样本故障诊断方法相比,文中所提方法的准确率和精确率等5项故障诊断指标均获得最好的结果,可以准确诊断出小样本条件下的轴承故障类型。 展开更多

关键词 小样本轴承故障诊断 格拉姆角差场 生成对抗网络 注意力机制

在线阅读 下载PDF 职称材料

基于格拉姆角差场和卷积神经网络的宽频振荡分类方法 被引量：9

2

作者 赵妍 唐文石 +1 位作者 聂永辉 王泽通 《电网技术》 EI CSCD 北大核心 2022年第11期4364-4372,共9页

宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡... 宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡分类方法。首先,利用GADF将宽频振荡一维时间序列转换为二维特征图,保留了数据对时间的依赖性和数据间存在的潜在联系特征。然后,通过CNN对GADF特征图自适应地完成宽频振荡模态特征的检测和分类。仿真和实测数据分析结果表明,GADF-CNN方法可以有效检测宽频振荡类型,具有更高的分类检测准确率和自适应性。 展开更多

关键词 宽频振荡分类 格拉姆角差场 卷积神经网络 深度学习

在线阅读 下载PDF 职称材料

基于GADF-CNN的盾构盘形滚刀磨损预测模型

3

作者 杜康 朱强 +1 位作者 秦东晨 陈江义 《机械设计与制造》 北大核心 2025年第3期115-120,共6页

为了提高盾构机掘进效率、有效预测滚刀磨损,采用将格拉姆角差场法(GADF)与改进的卷积神经网络(CNN)结合的预测方法,建立了盾构盘形滚刀磨损预测模型。以某输水工程的盾构数据为研究对象,建立了以滚刀磨损影响因素为主体的磨损数据集,... 为了提高盾构机掘进效率、有效预测滚刀磨损,采用将格拉姆角差场法(GADF)与改进的卷积神经网络(CNN)结合的预测方法,建立了盾构盘形滚刀磨损预测模型。以某输水工程的盾构数据为研究对象,建立了以滚刀磨损影响因素为主体的磨损数据集,利用格拉姆角差场法转换为二维图像集,以此为输入层训练、优化卷积神经网络模型,确定了最佳网络参数。通过对测试样本的预测结果对比分析,表明GADF-CNN模型的预测误差明显较小,测试样本的平均误差为2.75%,综合预测效果优于简化CSM模型,验证了GADF-CNN模型用于预测盾构盘形滚刀磨损量,具有较高精度和一定可行性。 展开更多

关键词 盾构机 盘形滚刀磨损 格拉姆角差场 卷积神经网络

在线阅读 下载PDF 职称材料

基于GADF-Inception-SAM的转子故障诊断方法

4

作者 伍济钢 张源 曾嘉 《噪声与振动控制》 北大核心 2025年第3期98-104,221,共8页

针对现有转子故障诊断方法缺乏多尺度特征提取能力以及强噪声导致故障分类准确率较低的问题,提出一种基于格拉姆角差场(Gramian Angular Difference Field,GADF)、Inception模块与锐度感知最小化(Sharpness Awareness Minimization,SAM... 针对现有转子故障诊断方法缺乏多尺度特征提取能力以及强噪声导致故障分类准确率较低的问题,提出一种基于格拉姆角差场(Gramian Angular Difference Field,GADF)、Inception模块与锐度感知最小化(Sharpness Awareness Minimization,SAM)的故障诊断方法。首先,对故障信号进行GADF变换,并使用多传感器信息融合策略将由不同传感器信号变换得到的图像进行水平拼接;接着,将拼接后的图像输入到Inception-SAM模型中进行分类识别,其中,Inception模块能增强神经网络对于多尺度特征的提取能力,SAM能增强模型的泛化性能。实验结果表明,所提方法在转子故障诊断中的分类准确率能够达到99.64%,而且相比其他图片编码方法和神经网络模型,该方法具有更高的故障分类准确率;同时,抗噪性能测试证明该方法在高噪声条件下仍具有较高的准确率。 展开更多

关键词 故障诊断 格拉姆角差场 多传感器信息融合 锐度感知最小化 转子

在线阅读 下载PDF 职称材料

基于GADF融合RDSAN的跨工况轴承故障诊断 被引量：1

5

作者 瞿红春 韩松钰 +3 位作者 贾柏谊 马文博 詹亦宏 台合泽 《组合机床与自动化加工技术》 北大核心 2024年第7期182-187,共6页

针对在不同工况下获取到的滚动轴承振动数据特征分布存在差异,以及由于存在噪声而导致故障特征不明显的问题,提出了一种融合格拉姆角差场(GADF)与残差深度子领域自适应(RDSAN)模型的跨工况轴承故障诊断方法。首先,为充分利用GADF在故障... 针对在不同工况下获取到的滚动轴承振动数据特征分布存在差异,以及由于存在噪声而导致故障特征不明显的问题,提出了一种融合格拉姆角差场(GADF)与残差深度子领域自适应(RDSAN)模型的跨工况轴承故障诊断方法。首先,为充分利用GADF在故障特征差异化显示上的优势,利用GADF来生成滚动轴承一维振动时域信号对应的图像数据集;其次,将数据集输入RDSAN模型,其中使用由改进图像集预训练的ResNet-18网络结构进行源域与目标域通用特征的进一步提取,并引入局部最大均值差异(LMMD)计算匹配条件分布距离进行子领域自适应;最后,在添加0.5 dB高斯白噪声的CWRU滚动轴承数据集上进行跨工况试验验证,结果表明所提方法的平均诊断精度达到96.8%;将所提出的方法与不同的诊断方法进行比较分析,结果验证了该方法的有效性和优越性。 展开更多

关键词 滚动轴承 故障诊断 跨工况 格拉姆角差场 子领域自适应

在线阅读 下载PDF 职称材料

GADF和改进CNN的齿轮箱复杂环境下故障诊断 被引量：3

6

作者 刘成义 董绍江 +1 位作者 唐倩 邓文亮 《机械设计与制造》 北大核心 2024年第9期92-96,103,共6页

针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Netwo... 针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Network,简称MACNN)的齿轮箱故障诊断方法。首先将采集得到齿轮箱的一维振动信号的故障数据集进行预处理;然后通过格拉姆角差场将一维数据集转为二维图像数据;其次,将二维数据集数输入到改进的带有多注意力机制的卷积神经网络模型中进行训练;最后采用Softmax对齿轮箱故障数据集进行分类。通过试验验证,这里所提的方法在两个负载数据集上都可以达到99.80%以上,改进之后的模型训练效率更高、耗时更短,同时这里所提方法也优于一些已经发表的齿轮箱故障诊断的方法,此外本方法对齿轮箱在同时处于变负载和噪声的复杂环境中,依然有着较强的故障诊断能力。 展开更多

关键词 齿轮箱故障诊断 格拉姆角差场 注意力机制 卷积神经网络

在线阅读 下载PDF 职称材料

基于GADF-MDSC的特大型轴承深度迁移故障诊断方法 被引量：2

7

作者 姜烨飞 王华 +2 位作者 潘裕斌 王天祥 傅航 《振动与冲击》 EI CSCD 北大核心 2024年第19期10-18,共9页

针对工程应用中特大型轴承运行工况复杂以及故障数据匮乏,导致其故障特征提取不全面的问题,提出了一种基于格拉姆角差场-多尺度深度可分离卷积(Gramian angular difference field-multi-scale depthwise separable convolutions,GADF-MD... 针对工程应用中特大型轴承运行工况复杂以及故障数据匮乏,导致其故障特征提取不全面的问题,提出了一种基于格拉姆角差场-多尺度深度可分离卷积(Gramian angular difference field-multi-scale depthwise separable convolutions,GADF-MDSC)的特大型轴承深度迁移智能诊断方法。首先,构建GADF-MDSC故障诊断网络,该网络分为三大模块:图像转换、特征提取、输出部分。图像转换模块采用GADF编码方式将振动信号转换为二维图像;特征提取模块通过MDSC提取综合故障特征信息,并利用双向门控循环单元筛选融合特征;输出部分由Softmax函数预测轴承故障类型的概率分布。然后,利用源域数据预训练模型,将预训练模型权重参数作为目标域训练模型初始化参数,冻结除底层外的所有参数,使用目标域数据微调模型,实现深度迁移故障诊断任务。最后,通过两种特大型轴承试验对深度迁移模型进行验证。试验结果表明,所提方法在目标域样本仅有5.00%的条件下,仍能保证较高的跨工况精度,达到86.04%,且迁移效果优于其他方法。 展开更多

关键词 特大型轴承 故障诊断 迁移学习 格拉姆角差场(GADF) 多尺度深度可分离卷积(MDSC)

在线阅读 下载PDF 职称材料

基于GAF和混合模型的运动想象分类研究

8

作者 吕仁杰 常文文 +3 位作者 闫光辉 聂文超 郑磊 郭斌 《电子科技大学学报》 EI CAS CSCD 北大核心 2024年第6期952-960,共9页

针对运动想象脑−机接口的分类识别问题,提出了一种结合格拉姆角场理论、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的新模型。首先,分别使用格拉姆角场中的格拉姆角和场与格拉姆... 针对运动想象脑−机接口的分类识别问题,提出了一种结合格拉姆角场理论、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的新模型。首先,分别使用格拉姆角场中的格拉姆角和场与格拉姆角差场算法将一维运动想象脑电信号表示为二维图像;然后,设计针对性的浅层CNN和LSTM相结合的模型来识别该图像特征,从而完成运动想象分类。在BCI Competition IV 2a公开数据集上就运动想象任务进行了四分类验证。实验结果表明,在单被试和多被试的情况下,GASF-CNN-LSTM模型和GADF-CNN-LSTM模型相比其他模型性能提升显著,准确率均达87.66%以上,最高准确率可达99.09%。且针对运动功能障碍患者数据也能表现出良好的性能。对运动想象脑电信号的时间依赖性和对应特征的图像生成表征方法进行了探讨,为运动想象脑电信号特征挖掘提供了新思路。 展开更多

关键词 脑−机接口 运动想象 格拉姆角和场 格拉姆角差场 卷积神经网络

在线阅读 下载PDF 职称材料

面向滚动轴承的自适应NA-MVMD融合GADF故障诊断方法 被引量：2

9

作者 瞿红春 贾柏谊 +2 位作者 郑剑青 韩松钰 马文博 《组合机床与自动化加工技术》 北大核心 2023年第3期99-103,108,共6页

针对滚动轴承的故障特征易被湮没在噪声背景下,从而导致故障种类难以识别的问题,提出了一种基于自适应噪声辅助多元变分模态分解(NA-MVMD)降噪融合格拉姆角差场(GADF)特征提取的滚动轴承故障诊断方法。首先,使用鲸鱼优化算法(WOA)对NA-M... 针对滚动轴承的故障特征易被湮没在噪声背景下,从而导致故障种类难以识别的问题,提出了一种基于自适应噪声辅助多元变分模态分解(NA-MVMD)降噪融合格拉姆角差场(GADF)特征提取的滚动轴承故障诊断方法。首先,使用鲸鱼优化算法(WOA)对NA-MVMD中的分解模态数K和惩罚因子α进行寻优;其次,利用NA-MVMD处理信号得到若干IMF分量,根据GADF将筛选重构后的一维数据转化为二维图片;随后,将故障特征图片输入LeNet-5卷积神经网络进行分类识别。采用某大学XJTU-ST轴承故障数据进行验证分析,分类准确率达到了97.5%,证明了该方法在较强噪声背景下具有较好的诊断性能。 展开更多

关键词 故障诊断 噪声辅助 多元变分模态分解 格拉姆角差场 卷积神经网络

在线阅读 下载PDF 职称材料

基于非对称卷积神经网络的电弧故障检测系统 被引量：6

10

作者 张婷 张认成 杨凯 《电子测量与仪器学报》 CSCD 北大核心 2022年第11期116-125,共10页

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。根据低压串联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。针对串联电弧故障种类... 串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。根据低压串联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。针对串联电弧故障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。之后,为了不增加时间开销,同时改善模型的识别效能,使用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。最后,利用容器封装已训练好的故障识别模型,实现故障信息的快速分析。验证表明,所提方法对串联电弧故障的识别率达到99.95%,具有良好的识别效果。 展开更多

关键词 串联电弧故障检测 格拉姆角差场 残差神经网络 适应性非对称卷积 多通道注意力机制 在线检测系统

在线阅读 下载PDF 职称材料

基于双图转换和融合CRNN网络的轴承故障诊断 被引量：10

11

作者 李喆 吐松江·卡日 +4 位作者 范想 范志鹏 万容齐 白新悦 吴俣潼 《振动与冲击》 EI CSCD 北大核心 2023年第19期240-248,共9页

针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码... 针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码方法将一维序列信号转换为二维图像。将转换后的两种模态图像同时输入多CRNN融合的Fu-CRNN网络模型,充分汲取两种转换方法优点并提高CRNN模型特征表达能力。实现轴承信号特征自适应提取及端到端诊断。为验证该方法的可靠性与优越性,选用凯斯西储大学滚动轴承数据集进行轴承故障诊断试验,并比较分析诊断性能。结果表明,所提模型识别准确率和泛化效果均优于单一模态样本输入模型,相较于其他常用算法表现更出色,可为样本构建和轴承故障诊断方法提供参考。 展开更多

关键词 滚动轴承 故障诊断 格拉姆角差场 马尔可夫转移场 融合卷积循环神经网络(CRNN)

在线阅读 下载PDF 职称材料

基于GADF与卷积神经网络的滚动轴承故障诊断研究 被引量：14

12

作者 刘红军 魏旭阳 《机电工程》 CAS 北大核心 2021年第5期587-591,622,共6页

为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势,提出了一种格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型。首先,将一维时序振动信号通过格拉姆角差场转化为二维图像,提取了图像特征,并输入了改进后的... 为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势,提出了一种格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型。首先,将一维时序振动信号通过格拉姆角差场转化为二维图像,提取了图像特征,并输入了改进后的CNN模型;其次,改进的CNN模型采用全局池化层替代了传统的全连接层,有效地解决了传统CNN模型参数爆炸的问题;最后,进行了试验研究,通过Adam小批量优化法进行了迭代训练,达到了理想的检测精度。试验与研究结果表明:该诊断方法在特征提取方面更快速、准确,充分展现了CNN模型的非线性表达能力,检测精度优于其他智能诊断算法。 展开更多

关键词 格拉姆角差场 故障诊断 卷积神经网络 深度学习

在线阅读 下载PDF 职称材料

基于GADF和ResNet的轴向柱塞泵复合故障诊断研究 被引量：5

13

作者 袁科研 兰媛 +4 位作者 黄家海 马晓宝 王君 李国彦 李利娜 《机电工程》 CAS 北大核心 2023年第6期945-951,共7页

轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振... 轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。实验结果表明:采用基于GADF-Resnet的轴向柱塞泵复合故障诊断方法对轴向柱塞泵的复合故障进行识别,其准确率可以达到87%以上。研究结果表明,该方法可以有效地识别轴向柱塞泵的复合故障。 展开更多

关键词 液压传动系统 容积泵 复合故障 格拉姆角差场 深度残差网络 多标签

在线阅读 下载PDF 职称材料