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
基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究
被引量：
5
1
作者
秦波
罗权毅
+4 位作者
冯卫卫
张鹏
赵振华
李子贤
王卓
《机械强度》
CAS
CSCD
北大核心
2023年第2期262-270,共9页
在数据驱动的滚动轴承状态智能辨识中,针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题,提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先,基于变分模态分解...
在数据驱动的滚动轴承状态智能辨识中,针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题,提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先,基于变分模态分解将具有时变调制特性的滚动轴承振动信号分解为有限个表征原信号不同成分的本征模函数分量;其次,根据其故障能量波动及其相关来量化并评估上述每个分量包含故障成分的比重,并据此对振动信号进行筛选重构来获取学习样本;最后,将上述学习样本集作为深度置信网络的输入来构建滚动轴承的故障辨识模型。实验结果表明,所提方法不仅筛选出滚动轴承振动信号中包含故障主成分的本征模函数分量并实现学习样本集构建,而且提高了基于振动数据的滚动轴承状态辨识模型的故障识别率。
展开更多
关键词
学习样本筛选
相关能量波动
评估
滚动轴承
深度置信神经网络
故障识别率
在线阅读
下载PDF
职称材料
联合CEF-MOMEDA的风机高速端轴承潜隐性故障敏感信息提取方法
2
作者
蔡敏
张强
+2 位作者
秦波
张海平
罗权毅
《机电工程》
北大核心
2025年第8期1428-1439,共12页
在大数据驱动的MW级半直驱风电机组滚动轴承服役期的状态智能辨识中,针对输入样本“质量差”致使所构建模型识别率低这一问题,提出了一种联合相关能量波动(CEF)评价准则与多点最优最小熵解卷积(MOMEDA)的潜隐性故障敏感信息提取方法。首...
在大数据驱动的MW级半直驱风电机组滚动轴承服役期的状态智能辨识中,针对输入样本“质量差”致使所构建模型识别率低这一问题,提出了一种联合相关能量波动(CEF)评价准则与多点最优最小熵解卷积(MOMEDA)的潜隐性故障敏感信息提取方法。首先,将拾取的振动数据由变分模态分解为若干个表征原数据不同成分的本征模分量;然后,根据上述分量能量的变化,量化、评估所包含的潜隐性故障占比,筛选并提取敏感成分后对故障信号进行了重构;接着,利用多点最优最小熵解卷积对重构后的数据进行了有效成分增强提取;最后,将上述能量波动评价准则与多点最优最小熵解卷积联合提取的敏感信息数据作为深度置信网络(DBN)的输入,构建了滚动轴承状态智能辨识模型,采用现场实验与凯斯西储大学(CWRU)数据集对CEF-MOMEDA的方法进行了验证。研究结果表明:基于CEF-MOMEDA-DBN的模型在风机滚动轴承诊断中的故障识别率更高;在凯斯西储大学数据集上,与集合经验模态分解(EEMD)、局部均值分解(LMD)相比,CEF-MOMEDA方法联合能量波动准则提取敏感信息数据并作为智能辨识模型的输入后,故障识别率分别提高了2.5%和1.25%。该方法能够有效提高故障识别的准确率,具有更强的实用性和泛化性。
展开更多
关键词
MW级半直驱风电机组
滚动轴承故障诊断
敏感成分联合提取
相关能量波动
多点最优最小熵解卷积
深度置信网络
集合经验模态分解
局部均值分解
在线阅读
下载PDF
职称材料
题名
基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究
被引量：
5
1
作者
秦波
罗权毅
冯卫卫
张鹏
赵振华
李子贤
王卓
机构
内蒙古科技大学机械工程学院
内蒙古科技大学矿业研究院
中国兵器内蒙古第一机械集团有限公司科研所
中国兵器内蒙古第一机械集团有限公司工艺研究所
特种车辆及其传动系统智能制造国家重点实验室
中国兵器内蒙古第一机械集团有限公司精益运营管理部
出处
《机械强度》
CAS
CSCD
北大核心
2023年第2期262-270,共9页
基金
国家自然科学基金项目(51865045)
内蒙古自治区高等学校科学技术研究项目(NJZY19298)资助。
文摘
在数据驱动的滚动轴承状态智能辨识中,针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题,提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先,基于变分模态分解将具有时变调制特性的滚动轴承振动信号分解为有限个表征原信号不同成分的本征模函数分量;其次,根据其故障能量波动及其相关来量化并评估上述每个分量包含故障成分的比重,并据此对振动信号进行筛选重构来获取学习样本;最后,将上述学习样本集作为深度置信网络的输入来构建滚动轴承的故障辨识模型。实验结果表明,所提方法不仅筛选出滚动轴承振动信号中包含故障主成分的本征模函数分量并实现学习样本集构建,而且提高了基于振动数据的滚动轴承状态辨识模型的故障识别率。
关键词
学习样本筛选
相关能量波动
评估
滚动轴承
深度置信神经网络
故障识别率
Keywords
Learning sample screening
Correlation energy fluctuation evaluation
Rolling bearing
Deep belief neural network
Fault recognition rate
分类号
TH133.33 [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
联合CEF-MOMEDA的风机高速端轴承潜隐性故障敏感信息提取方法
2
作者
蔡敏
张强
秦波
张海平
罗权毅
机构
包头中车电机有限公司
内蒙古科技大学机械工程学院
内蒙古自治区机电系统智能诊断与控制工程技术研究中心
重庆大学高端装备机械传动全国重点实验室
出处
《机电工程》
北大核心
2025年第8期1428-1439,共12页
基金
国家自然科学基金资助项目(52035002)
国家重点研发计划重点专项(2021FYB2011400)。
文摘
在大数据驱动的MW级半直驱风电机组滚动轴承服役期的状态智能辨识中,针对输入样本“质量差”致使所构建模型识别率低这一问题,提出了一种联合相关能量波动(CEF)评价准则与多点最优最小熵解卷积(MOMEDA)的潜隐性故障敏感信息提取方法。首先,将拾取的振动数据由变分模态分解为若干个表征原数据不同成分的本征模分量;然后,根据上述分量能量的变化,量化、评估所包含的潜隐性故障占比,筛选并提取敏感成分后对故障信号进行了重构;接着,利用多点最优最小熵解卷积对重构后的数据进行了有效成分增强提取;最后,将上述能量波动评价准则与多点最优最小熵解卷积联合提取的敏感信息数据作为深度置信网络(DBN)的输入,构建了滚动轴承状态智能辨识模型,采用现场实验与凯斯西储大学(CWRU)数据集对CEF-MOMEDA的方法进行了验证。研究结果表明:基于CEF-MOMEDA-DBN的模型在风机滚动轴承诊断中的故障识别率更高;在凯斯西储大学数据集上,与集合经验模态分解(EEMD)、局部均值分解(LMD)相比,CEF-MOMEDA方法联合能量波动准则提取敏感信息数据并作为智能辨识模型的输入后,故障识别率分别提高了2.5%和1.25%。该方法能够有效提高故障识别的准确率,具有更强的实用性和泛化性。
关键词
MW级半直驱风电机组
滚动轴承故障诊断
敏感成分联合提取
相关能量波动
多点最优最小熵解卷积
深度置信网络
集合经验模态分解
局部均值分解
Keywords
MW-class semi-direct-drive wind turbine
rolling bearing default diagnosis
combined extraction of sensitive components
correlation energy fluctuation(CEF)
multipoint optimal minimum entropy deconvolution adjusted(MOMEDA)
deep belief network(DBN)
ensemble empirical mode decomposition(EEMD)
local mean decomposition(LMD)
分类号
TH133.3 [机械工程—机械制造及自动化]
TM315 [电气工程—电机]
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
基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究
秦波
罗权毅
冯卫卫
张鹏
赵振华
李子贤
王卓
《机械强度》
CAS
CSCD
北大核心
2023
5
在线阅读
下载PDF
职称材料
2
联合CEF-MOMEDA的风机高速端轴承潜隐性故障敏感信息提取方法
蔡敏
张强
秦波
张海平
罗权毅
《机电工程》
北大核心
2025
0
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
