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
1
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FDTRP-ALDCNN的小样本轴承故障诊断方法
1
作者
王娜
刘佳林
王子从
《铁道科学与工程学报》
北大核心
2025年第9期4271-4283,共13页
针对滚动轴承在小样本条件下诊断精度低的问题,提出一种基于频域无阈值递归图与自适应线性可变卷积神经网络(frequency domain thresholdless recurrence plot-adaptive linear deformable convolutional neural network,FDTRP-ALDCNN)...
针对滚动轴承在小样本条件下诊断精度低的问题,提出一种基于频域无阈值递归图与自适应线性可变卷积神经网络(frequency domain thresholdless recurrence plot-adaptive linear deformable convolutional neural network,FDTRP-ALDCNN)的滚动轴承故障诊断方法。首先,使用快速傅里叶变换(fast fourier transform,FFT)将一维时域信号转为频域信号,并与无阈值递归图(thresholdless recurrence plot,TRP)相结合,以有效构建初始特征,提高模型输入质量;其次,采用线性可变卷积核(linear deformable convolutional kernel,LDConv)替换卷积神经网络中方形卷积核,从而能够根据采样数据的分布来调整卷积核形状,准确获取空间信息中的关键特征,提高小样本数据的利用率;再次,设计自适应交叉熵(adaptive cross entropy,ACE)损失函数,根据样本分类损失自适应调整分类器对难分与易分样本的拟合程度,增强难分样本损失在整体分类损失中的显著性,进一步提高小样本下的模型诊断精度;最后,采用CWRU滚动轴承数据集对所提方法进行3组仿真验证。对比仿真的结果表明,所提模型在不同小样本数量下均有较高的诊断准确率,最高可达到99.82%。而对2组不平衡数据集的泛化性分析可知,本模型的诊断准确率分别达到98.56%与99.3%,泛化能力优于其他模型,且具有良好的稳定性。并通过消融实验验证了FFT、LDConv与ACE损失函数对提高故障诊断精度的有效性。综上所述,所提方法能够有效诊断出小样本轴承故障,具有较高的实际应用价值。
展开更多
关键词
故障诊断
小样本
无阈值递归图
线性可变卷积核
卷积
神经网络
交叉熵损失函数
在线阅读
下载PDF
职称材料
题名
基于FDTRP-ALDCNN的小样本轴承故障诊断方法
1
作者
王娜
刘佳林
王子从
机构
天津工业大学控制科学与工程学院
天津工业大学天津市电气装备智能控制重点实验室
出处
《铁道科学与工程学报》
北大核心
2025年第9期4271-4283,共13页
基金
天津市自然科学基金重点项目(23JCZDJC01140)。
文摘
针对滚动轴承在小样本条件下诊断精度低的问题,提出一种基于频域无阈值递归图与自适应线性可变卷积神经网络(frequency domain thresholdless recurrence plot-adaptive linear deformable convolutional neural network,FDTRP-ALDCNN)的滚动轴承故障诊断方法。首先,使用快速傅里叶变换(fast fourier transform,FFT)将一维时域信号转为频域信号,并与无阈值递归图(thresholdless recurrence plot,TRP)相结合,以有效构建初始特征,提高模型输入质量;其次,采用线性可变卷积核(linear deformable convolutional kernel,LDConv)替换卷积神经网络中方形卷积核,从而能够根据采样数据的分布来调整卷积核形状,准确获取空间信息中的关键特征,提高小样本数据的利用率;再次,设计自适应交叉熵(adaptive cross entropy,ACE)损失函数,根据样本分类损失自适应调整分类器对难分与易分样本的拟合程度,增强难分样本损失在整体分类损失中的显著性,进一步提高小样本下的模型诊断精度;最后,采用CWRU滚动轴承数据集对所提方法进行3组仿真验证。对比仿真的结果表明,所提模型在不同小样本数量下均有较高的诊断准确率,最高可达到99.82%。而对2组不平衡数据集的泛化性分析可知,本模型的诊断准确率分别达到98.56%与99.3%,泛化能力优于其他模型,且具有良好的稳定性。并通过消融实验验证了FFT、LDConv与ACE损失函数对提高故障诊断精度的有效性。综上所述,所提方法能够有效诊断出小样本轴承故障,具有较高的实际应用价值。
关键词
故障诊断
小样本
无阈值递归图
线性可变卷积核
卷积
神经网络
交叉熵损失函数
Keywords
fault diagnosis
small sample
thresholdless recurrence plot
linear deformable convolutional kernel
convolutional neural network
cross entropy loss function
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
作者
出处
发文年
被引量
操作
1
基于FDTRP-ALDCNN的小样本轴承故障诊断方法
王娜
刘佳林
王子从
《铁道科学与工程学报》
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
