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
复合材料疲劳剩余寿命预测的动态小波神经网络方法
被引量：
1
1
作者
谢建宏
张为公
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2004年第z1期740-742,共3页
复合材料的疲劳损伤机制比普通金属材料更复杂,目前还没有理想的数学描述。本文采用动态小波神经网络方法,对复合材料疲劳剩余寿命进行了预测,结果与试验结果很接近。该方法用于非线性动态系统的预测建模,具有推广能力强、收敛速度快、...
复合材料的疲劳损伤机制比普通金属材料更复杂,目前还没有理想的数学描述。本文采用动态小波神经网络方法,对复合材料疲劳剩余寿命进行了预测,结果与试验结果很接近。该方法用于非线性动态系统的预测建模,具有推广能力强、收敛速度快、预测精度高等优点。
展开更多
关键词
复合材料
剩余寿命
动态小波神经网络
在线阅读
下载PDF
职称材料
基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法
被引量：
12
2
作者
蒋全胜
许伟洋
+2 位作者
朱俊俊
沈晔湖
徐丰羽
《振动与冲击》
EI
CSCD
北大核心
2022年第17期282-291,共10页
现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波...
现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。
展开更多
关键词
滚动轴承
剩余寿命预测
卷积长短时记忆网络
小波包分解
动态加权
在线阅读
下载PDF
职称材料
题名
复合材料疲劳剩余寿命预测的动态小波神经网络方法
被引量：
1
1
作者
谢建宏
张为公
机构
东南大学仪器科学与工程系
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2004年第z1期740-742,共3页
文摘
复合材料的疲劳损伤机制比普通金属材料更复杂,目前还没有理想的数学描述。本文采用动态小波神经网络方法,对复合材料疲劳剩余寿命进行了预测,结果与试验结果很接近。该方法用于非线性动态系统的预测建模,具有推广能力强、收敛速度快、预测精度高等优点。
关键词
复合材料
剩余寿命
动态小波神经网络
Keywords
composite material residual life dynamic wavelet neural network
分类号
TH7-55 [机械工程—精密仪器及机械]
在线阅读
下载PDF
职称材料
题名
基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法
被引量：
12
2
作者
蒋全胜
许伟洋
朱俊俊
沈晔湖
徐丰羽
机构
苏州科技大学机械工程学院
南京邮电大学自动化学院
出处
《振动与冲击》
EI
CSCD
北大核心
2022年第17期282-291,共10页
基金
国家自然科学基金资助项目(51975394)
江苏省自然科学基金面上项目(BK20211336)
江苏省研究生研究与实践创新计划(KYCX21_3008)。
文摘
现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。
关键词
滚动轴承
剩余寿命预测
卷积长短时记忆网络
小波包分解
动态加权
Keywords
rolling bearing
residual
life
prediction
dynamic
weighted convolution
neural
network
and long-short term memory(DW-CNN-LSTM)
network
wavelet
packet decomposition
分类号
TP202 [自动化与计算机技术—检测技术与自动化装置]
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
复合材料疲劳剩余寿命预测的动态小波神经网络方法
谢建宏
张为公
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2004
1
在线阅读
下载PDF
职称材料
2
基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法
蒋全胜
许伟洋
朱俊俊
沈晔湖
徐丰羽
《振动与冲击》
EI
CSCD
北大核心
2022
12
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
