检索结果-维普期刊中文期刊服务平台

基于MTF-Swin Transformer的风机齿轮箱故障诊断被引量：2: 1; 作者张彬桥雷钧万刚《可再生能源》 CAS CSCD 北大核心 2024年第5期627-633,共7页; 针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-Swin Transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号... 展开更多; 关键词马尔科夫变迁场(mtf) Swin Transformer 风机齿轮箱故障诊断; 在线阅读下载PDF 职称材料

强噪声下基于ACYCBD-MTF-MobileViT的轴承故障诊断研究: 2; 作者刘杰谭玉涛杨娜《振动与冲击》 EI CSCD 北大核心 2024年第24期34-47,共14页; 针对小样本强噪声环境下,传`统深度学习模型抗噪性差,模型训练不充分等问题,提出一种基于自适应最大二阶循环平稳盲解卷积(adaptive maximum second-order cyclostationarity blind deconvolution, ACYCBD)结合马尔可夫变迁场(Markov tr... 展开更多; 关键词滚动轴承最大二阶循环平稳盲解卷积(ACYCBD) 马尔可夫变迁场(mtf) 多头自注意力机制; 在线阅读下载PDF 职称材料

基于MTF-CNN的滚动轴承故障诊断方法被引量：39: 3; 作者雷春丽夏奔锋 +2 位作者薛林林焦孟萱张护强《振动与冲击》 EI CSCD 北大核心 2022年第9期151-158,共8页; 针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像... 展开更多; 关键词故障诊断滚动轴承马尔科夫转移场(mtf) 卷积神经网络(CNN); 在线阅读下载PDF 职称材料

基于MTF-CNN的轴承故障诊断研究被引量：21: 4; 作者赵志宏李春秀 +1 位作者窦广鉴杨绍普《振动与冲击》 EI CSCD 北大核心 2023年第2期126-131,共6页; 轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(co... 展开更多; 关键词故障诊断深度学习马尔可夫变迁场(mtf) 卷积神经网络(CNN); 在线阅读下载PDF 职称材料

题名基于MTF-Swin Transformer的风机齿轮箱故障诊断被引量：2: 1; 作者张彬桥雷钧万刚; 机构三峡大学电气与新能源学院梯级水电站运行与控制湖北省重点实验室中国长江电力股份有限公司; 出处《可再生能源》 CAS CSCD 北大核心 2024年第5期627-633,共7页; 基金国家自然科学基金面上项目(52077120)。; 文摘针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-Swin Transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号转化为具有关联时间信息的二维特征图谱;然后,将特征图谱作为Swin Transformer模型的输入,基于自注意力机制进行自动特征提取;最后,实现对不同故障类型的分类。仿真结果表明,该方法对齿轮箱故障诊断准确率达到了99.48%,证明了该方法的有效性和优越性。; 关键词马尔科夫变迁场(mtf) Swin Transformer 风机齿轮箱故障诊断; Keywords Markov Transition Field Swin Transformer wind turbine gear box fault diagnosis; 分类号 TK83 [动力工程及工程热物理—流体机械及工程]; 在线阅读下载PDF 职称材料

题名强噪声下基于ACYCBD-MTF-MobileViT的轴承故障诊断研究: 2; 作者刘杰谭玉涛杨娜; 机构沈阳工业大学机械工程学院; 出处《振动与冲击》 EI CSCD 北大核心 2024年第24期34-47,共14页; 基金辽宁省教育厅(LQGD2020016)。; 文摘针对小样本强噪声环境下,传`统深度学习模型抗噪性差,模型训练不充分等问题,提出一种基于自适应最大二阶循环平稳盲解卷积(adaptive maximum second-order cyclostationarity blind deconvolution, ACYCBD)结合马尔可夫变迁场(Markov transition field, MTF)与MobileViT的滚动轴承故障诊断方法。首先,通过参数自适应的CYCBD算法增强强噪声背景下轴承故障的冲击信号,降低强背景噪声的影响,然后,采用MTF将预处理后的一维轴承振动信号转变为具有时间关联性的二维特征图像;最后,将MTF图像输入MobileViT网络中进行训练,得到故障诊断结果,运用东南大学齿轮箱数据集和沈阳工业大学实验室滚动轴承数据集验证所提方法在小样本强噪声条件下的故障识别准确率。结果表明:在小样本强噪声条件下,ACYCBD处理后的数据,训练的模型具有更高的准确率,相较于其他数据预处理方法最大相关峭度解卷积、变分模态分解、集合经验模态分解准确率分别提高了1.73、1.99、2.20个百分点,利用MTF进行模态转换后相较于格拉姆角场、连续小波变换、RP准确率分别高出了2.59、3.12、2.72个百分点;与其他深度学习模型进行对比,所提方法在上述条件下有着更高的抗干扰能力和泛化性能。; 关键词滚动轴承最大二阶循环平稳盲解卷积(ACYCBD) 马尔可夫变迁场(mtf) 多头自注意力机制; Keywords rolling bearings maximum second-order blind inverse convolution Markov transformation field multihead self-attention mechanism; 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

题名基于MTF-CNN的滚动轴承故障诊断方法被引量：39: 3; 作者雷春丽夏奔锋薛林林焦孟萱张护强; 机构兰州理工大学机电工程学院兰州理工大学数字制造技术与应用省部共建教育部重点实验室; 出处《振动与冲击》 EI CSCD 北大核心 2022年第9期151-158,共8页; 基金国家重点研发计划(2018YFB1703105) 国家自然科学基金(51465035) 甘肃省自然科学基金(20JR5RA466)。; 文摘针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。; 关键词故障诊断滚动轴承马尔科夫转移场(mtf) 卷积神经网络(CNN); Keywords fault diagnosis rolling bearing Markov transition field(mtf) convolution neural network(CNN); 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

题名基于MTF-CNN的轴承故障诊断研究被引量：21: 4; 作者赵志宏李春秀窦广鉴杨绍普; 机构石家庄铁道大学信息科学与技术学院石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室; 出处《振动与冲击》 EI CSCD 北大核心 2023年第2期126-131,共6页; 基金国家重点研发计划(2020YFB2007700) 国家自然科学基金(11972236,11790282) 石家庄铁道大学研究生创新资助项目(YC2022059)。; 文摘轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。; 关键词故障诊断深度学习马尔可夫变迁场(mtf) 卷积神经网络(CNN); Keywords fault diagnosis deep learning Markov transition field(mtf) convolutional neural network(CNN); 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MTF-Swin Transformer的风机齿轮箱故障诊断	张彬桥雷钧万刚	《可再生能源》 CAS CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
2	强噪声下基于ACYCBD-MTF-MobileViT的轴承故障诊断研究	刘杰谭玉涛杨娜	《振动与冲击》 EI CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于MTF-CNN的滚动轴承故障诊断方法	雷春丽夏奔锋薛林林焦孟萱张护强	《振动与冲击》 EI CSCD 北大核心	2022	39	在线阅读下载PDF 职称材料
4	基于MTF-CNN的轴承故障诊断研究	赵志宏李春秀窦广鉴杨绍普	《振动与冲击》 EI CSCD 北大核心	2023	21	在线阅读下载PDF 职称材料