期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
采用改进Transformer模型的滚动轴承声振信号故障诊断方法 被引量:2
1
作者 施杰 张威 +2 位作者 李志 陈立畅 杨琳琳 《电子测量技术》 北大核心 2025年第11期105-116,共12页
现有故障诊断方法多采用“单信号-单模型”的专用架构,对不同传感信号需构建独立的诊断模型。这类方法在实际应用中存在模型泛化能力有限、跨信号类型适应性不足等问题。因此,本文提出了一种通过构建统一的深度网络诊断模型,来实现能同... 现有故障诊断方法多采用“单信号-单模型”的专用架构,对不同传感信号需构建独立的诊断模型。这类方法在实际应用中存在模型泛化能力有限、跨信号类型适应性不足等问题。因此,本文提出了一种通过构建统一的深度网络诊断模型,来实现能同时适用于振动与声学信号的智能诊断方法。首先,该方法采用改进淘金热优化算法和包络熵适应度函数来优化变分模态分解,实现变分模态分解中本征模态分量个数k和惩罚因子α自适应确定,再以平均峭度准则筛选变分模态分解分解后的本征模态分量,并使用改进的小波阈值去噪进行二次降噪和重构,以凸显声振信号中的故障特征。然后,在Transformer模型的基础上引入深度残差收缩网络,构建局部特征提取层,提高模型的局部特征提取能力;同时,设计了一种多尺度线性注意力机制来替换Transformer中的多头自注意力,降低模型计算复杂度,增强模型对长距离依赖的捕捉能力。最后,在自建的滚动轴承声振数据集上进行验证,实验结果表明,该方法在自建滚动轴承数据集上表现优异,对声学信号的诊断精度可达到90%,对振动信号的诊断精度达到了99.77%,均优于ResNet18、DRSN、VIT、MCSwin_T、WDCNN。 展开更多
关键词 滚动轴承声振信号 变分模态分解 小波阈值去噪 Transformer 智能故障诊断
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部