-
题名基于CWT-IDRSN的风机滚动轴承故障诊断
被引量：1
- 1
-
-
作者
巴胤竣
孙文磊
张克战
常赛科
刘志远
-
机构
新疆大学智能制造现代产业学院
-
出处
《组合机床与自动化加工技术》
北大核心
2024年第11期166-171,共6页
-
基金
新疆维吾尔自治区重点研发专项项目(202112142)
新疆维吾尔自治区自然科学基金面上项目(2022D01C390)。
-
文摘
针对强噪声环境下传统轴承故障诊断方法对故障识别率低,深度残差收缩网络在降噪时对频域信号丢失的问题,提出了一种基于连续小波变换(continuous wavelet transform,CWT)和改进的深度残差收缩网络(improved deep residual shrinkage network,IDRSN)的故障诊断模型。首先,利用CWT将轴承振动信号转换为二维时频图,作为输入样本,用于解决深度残差收缩网络在直接处理振动信号时引起的频域失真问题;其次,设计了一种改进的软阈值函数(improved soft threshold function,ISTF),解决了因软阈值化引起的信号失真,设计了改进的软阈值模块(improved soft threshold block,ISTB)和自适应斜率模块(adaptive slope block,ASB),构建了改进的残差收缩单元(improved residual shrinkage building unit,IRSBU)以实现自适应地确定最佳阈值并进一步调整输出;最后,利用凯斯西储大学滚动轴承数据集与风机轴承振动数据采集实验台收集的滚动轴承数据集对所提方法进行实验验证。结果证明相较于其他方法,所提的故障诊断方法有更好的泛化性和通用性,分类准确率分别达到了99.75%和99.69%。
-
关键词
连续小波变换
深度残差收缩网络
自适应斜率模块
改进的软阈值函数
故障诊断
深度学习
-
Keywords
continuous wavelet transform
deep residual shrinkage network
adaptive slope module
improved soft threshold function
fault diagnosis
deep learning
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TG659
[金属学及工艺—金属切削加工及机床]
-
-
题名改进的深度残差收缩网络轴承故障诊断方法
被引量：9
- 2
-
-
作者
唐世钰
童靳于
郑近德
潘海洋
伍毅
-
机构
安徽工业大学机械工程学院
安徽省智能破拆装备工程实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第18期217-224,285,共9页
-
基金
安徽省智能破拆装备工程实验室开放基金(APELIDE2021B006)
国家自然科学基金(51975004)。
-
文摘
针对深度残差收缩网络(deep residual shrinkage network,DRSN)在降噪过程中引起的信号失真问题,提出了一种改进的深度残差收缩网络(improved deep residual shrinkage network,IDRSN)并将其应用于滚动轴承的故障诊断中。首先,引入一种改进的半软阈值函数(improved semi-soft threshold function,ISSTF)用于解决恒等偏差的问题并消除软阈值函数引起的信号失真。然后,设计了半软阈值模块(semi-soft threshold block,SSTB)和自适应斜率模块(adaptive slope block,ASB)构建改进的残差收缩单元(improved residual shrinkage building unit,IRSBU),用于自适应设置最优阈值并进一步修正输出。最后,将所提方法应用于两种不同工况的滚动轴承故障诊断中。研究结果表明,与现有方法相比,所提方法的分类准确率和鲁棒性更高,对于变转速工况下的故障诊断更为有效。
-
关键词
故障诊断
滚动轴承
深度残差收缩网络
半软阈值函数
自适应斜率模块
-
Keywords
fault diagnosis
rolling bearing
deep residual shrinkage network
semi-soft threshold function
adaptive slope block
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
