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
2
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
鼠笼异步电动机故障诊断技术研究
被引量：
2
1
作者
李素英
付焱晶
+1 位作者
郭西进
许允之
《实验技术与管理》
CAS
北大核心
2012年第10期43-46,70,共5页
利用快速傅里叶变换(FFT)频谱分析对电动机故障信号进行初步分析,利用小波变化提取故障信号特征值作为进一步分析的依据,利用特征样本训练BP和RBF神经网络,进行电动机故障诊断;利用DS证据理论对以上方法的诊断结果进行融合分析;最后利...
利用快速傅里叶变换(FFT)频谱分析对电动机故障信号进行初步分析,利用小波变化提取故障信号特征值作为进一步分析的依据,利用特征样本训练BP和RBF神经网络,进行电动机故障诊断;利用DS证据理论对以上方法的诊断结果进行融合分析;最后利用粗糙集理论研究了故障信号各个特征属性在诊断中的重要程度。
展开更多
关键词
电动机故障诊断
FFT
特征提取
神经网络
DS证据理论
粗糙集
在线阅读
下载PDF
职称材料
基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法
被引量：
4
2
作者
李敬兆
何娜
+2 位作者
张金伟
王擎
李化顺
《工矿自动化》
CSCD
北大核心
2023年第7期49-59,共11页
针对传统基于音频信号的电动机故障诊断方法获取电动机音频信号特征信息不足和故障诊断精度不高的问题,提出了一种基于优化的变分模态分解(VMD)和卷积神经网络CNN-双向长短期记忆(BiLSTM)的矿井提升电动机故障诊断方法。针对模态混叠和...
针对传统基于音频信号的电动机故障诊断方法获取电动机音频信号特征信息不足和故障诊断精度不高的问题,提出了一种基于优化的变分模态分解(VMD)和卷积神经网络CNN-双向长短期记忆(BiLSTM)的矿井提升电动机故障诊断方法。针对模态混叠和端点效应问题,采用鲸鱼算法(WOA)优化的VMD对电动机音频信号进行分解,将电动机音频信号分解为K个本征模态分量(IMF),经Pearson相关系数筛选后,提取主IMF分量的13维静态MFCC特征参数,为了获取信号的动态特征,提取13维静态MFCC的一阶差分和二阶差分系数,构成39维特征向量,从而把动静态特征结合起来,提高故障诊断性能。为了提高故障诊断精度,在CNN中引入BiLSTM层,CNN在空间维度上提取音频信号的局部特征,BiLSTM在时间维度上保留音频信号的双向时间序列信息,捕获音频信号长距离依赖关系,从而最大程度保留全局和局部特征。实验结果表明:①VMD分解的每个IMF分量都具有独立的中心频率且分布均匀,在频域上表现出稀疏性的特点,能够有效避免模态混叠问题;在IMF求解中,VMD分解通过镜像延拓的方式避免了经验模态分解(EMD)和集合经验模态分解(EEMD)中出现的端点效应问题。②基于13维静态MFCC特征的故障诊断准确率为97.5%,基于39维动静态MFCC特征的故障诊断准确率比基于13维静态MFCC特征的故障诊断准确率提高了1.11%。③基于CNN-BiLSTM诊断模型的准确率达到98.61%,与目前通用诊断模型CNN,BiLSTM和CNN-LSTM相比,准确率分别提高5.83%,4.17%和3.89%。
展开更多
关键词
矿井提升
电动机故障诊断
音频信号
变分模态分解
梅尔倒谱系数
CNN-BiLSTM
在线阅读
下载PDF
职称材料
题名
鼠笼异步电动机故障诊断技术研究
被引量：
2
1
作者
李素英
付焱晶
郭西进
许允之
机构
中国矿业大学信息与电气工程学院
中国人民解放军海军飞行学院教研部
出处
《实验技术与管理》
CAS
北大核心
2012年第10期43-46,70,共5页
文摘
利用快速傅里叶变换(FFT)频谱分析对电动机故障信号进行初步分析,利用小波变化提取故障信号特征值作为进一步分析的依据,利用特征样本训练BP和RBF神经网络,进行电动机故障诊断;利用DS证据理论对以上方法的诊断结果进行融合分析;最后利用粗糙集理论研究了故障信号各个特征属性在诊断中的重要程度。
关键词
电动机故障诊断
FFT
特征提取
神经网络
DS证据理论
粗糙集
Keywords
motor fault diagnosis
FFT
feature extraction
NN
DS evidence theory
rough set
分类号
TM307 [电气工程—电机]
在线阅读
下载PDF
职称材料
题名
基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法
被引量：
4
2
作者
李敬兆
何娜
张金伟
王擎
李化顺
机构
安徽理工大学电气与信息工程学院
安徽理工大学计算机科学与工程学院
中国电子信息产业集团有限公司
出处
《工矿自动化》
CSCD
北大核心
2023年第7期49-59,共11页
基金
国家自然科学基金项目(51874010)
淮南市科技计划项目(2021A243)。
文摘
针对传统基于音频信号的电动机故障诊断方法获取电动机音频信号特征信息不足和故障诊断精度不高的问题,提出了一种基于优化的变分模态分解(VMD)和卷积神经网络CNN-双向长短期记忆(BiLSTM)的矿井提升电动机故障诊断方法。针对模态混叠和端点效应问题,采用鲸鱼算法(WOA)优化的VMD对电动机音频信号进行分解,将电动机音频信号分解为K个本征模态分量(IMF),经Pearson相关系数筛选后,提取主IMF分量的13维静态MFCC特征参数,为了获取信号的动态特征,提取13维静态MFCC的一阶差分和二阶差分系数,构成39维特征向量,从而把动静态特征结合起来,提高故障诊断性能。为了提高故障诊断精度,在CNN中引入BiLSTM层,CNN在空间维度上提取音频信号的局部特征,BiLSTM在时间维度上保留音频信号的双向时间序列信息,捕获音频信号长距离依赖关系,从而最大程度保留全局和局部特征。实验结果表明:①VMD分解的每个IMF分量都具有独立的中心频率且分布均匀,在频域上表现出稀疏性的特点,能够有效避免模态混叠问题;在IMF求解中,VMD分解通过镜像延拓的方式避免了经验模态分解(EMD)和集合经验模态分解(EEMD)中出现的端点效应问题。②基于13维静态MFCC特征的故障诊断准确率为97.5%,基于39维动静态MFCC特征的故障诊断准确率比基于13维静态MFCC特征的故障诊断准确率提高了1.11%。③基于CNN-BiLSTM诊断模型的准确率达到98.61%,与目前通用诊断模型CNN,BiLSTM和CNN-LSTM相比,准确率分别提高5.83%,4.17%和3.89%。
关键词
矿井提升
电动机故障诊断
音频信号
变分模态分解
梅尔倒谱系数
CNN-BiLSTM
Keywords
fault diagnosis of mine hoist motor
audio signal
variational mode decomposition
Mel cepstrum coefficient
CNN-BiLSTM
分类号
TD67 [矿业工程—矿山机电]
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
鼠笼异步电动机故障诊断技术研究
李素英
付焱晶
郭西进
许允之
《实验技术与管理》
CAS
北大核心
2012
2
在线阅读
下载PDF
职称材料
2
基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法
李敬兆
何娜
张金伟
王擎
李化顺
《工矿自动化》
CSCD
北大核心
2023
4
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
