检索结果-维普期刊中文期刊服务平台

基于GASF多通道图像时序融合的高速列车横向减振器故障诊断: 1; 作者李刚秦永峰齐金平《振动与冲击》北大核心 2025年第15期144-152,191,共10页; 由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适... 展开更多; 关键词高速列车格拉姆角和场(gasf) 卷积神经网络(CNN) 多头自注意力机制(MSA) 门控循环单元(GRU); 在线阅读下载PDF 职称材料

基于GASF-BMKELM的滚动轴承故障诊断方法: 2; 作者杨锡发王林军 +3 位作者邹腾枭吴振雄李响陈保家《三峡大学学报(自然科学版)》北大核心 2025年第4期96-103,共8页; 针对传统故障诊断方法难以充分提取故障信息以及神经网络依赖初始参数选择的问题,提出一种基于格拉姆角和场(Gramian angular summation field,GASF)与贝叶斯优化多核极限学习机(Bayesian optimization multi-kernel extreme learning m... 展开更多; 关键词滚动轴承格拉姆角和场小波包对数能量图多核极限学习机贝叶斯优化算法故障诊断; 在线阅读下载PDF 职称材料

基于ECA-VGG16和迁移学习的砂轮磨损状态识别研究: 3; 作者周思康张明柱 +3 位作者王宁宁王一帆史帅涛邱明《机床与液压》北大核心 2025年第19期103-109,共7页; 针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题,提出一种基于ECA-VGG16和迁移学习的砂轮磨损状态识别方法。采集3种工况下砂轮全寿命周期磨削过程中的声发射信号,并使用格拉姆角和场(GASF)将声发射信号转换为二维图像,构建源域... 展开更多; 关键词砂轮磨损状态识别迁移学习 ECA-VGG16 格拉姆角和场(gasf) 声发射信号; 在线阅读下载PDF 职称材料

基于格拉姆角和场和改进DenseNet的配电网故障选线方法: 4; 作者方豪魏业文 +1 位作者张子洵张轲钦《电力系统及其自动化学报》北大核心 2025年第9期109-118,共10页; 配电网小电流接地系统发生单相接地故障时,故障特征微弱。针对现有故障选线方法准确率不高、泛化能力差的问题,提出一种基于格拉姆角和场和改进密集型卷积神经网络的故障选线方法。首先,利用格拉姆角和场将线路一维零序电流信号转换为... 展开更多; 关键词小电流接地系统故障选线密集型卷积神经网络格拉姆角和场 SENet注意力机制随机森林; 在线阅读下载PDF 职称材料

题名基于GASF多通道图像时序融合的高速列车横向减振器故障诊断: 1; 作者李刚秦永峰齐金平; 机构兰州交通大学机电工程学院; 出处《振动与冲击》北大核心 2025年第15期144-152,191,共10页; 基金国家自然科学基金资助项目(71861021,72361019) 甘肃省高等学校科研项目(2018A-026)。; 文摘由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适应性,提出了一种基于一维(1D)时序信号和二维(2D)格拉姆角和场(Gramian angular summation field,GASF)特征融合的卷积神经网络结合门控循环单元网络融合多头自注意力机制(1D-2D-CNN-GRU-MSA)的故障诊断方法。首先,将一维的时序信号编码为二维的GASF图,再分别将一维的时序信号与二维的GASF图同时送入到两条并行的网络支路中,其中:一路为图像输入经卷积神经网络(convolutional neural networks,CNN)提取GASF图像的特征;另一路将一维的故障波形直接输入经门控循环网络单元(gated recurrent unit,GRU)提取时序特征,通过多头自注意力机制(multi-head self-attention,MSA)将二维图像特征和一维时序特征进行特征重点强化并降维融合,最后通过Softmax层对高速列车横向减振器故障进行分类。仿真试验证明,不同工况下1D-2D-CNN-GRU-MSA模型比两种主流模型进行高速列车横向减振器故障识别的准确率高。; 关键词高速列车格拉姆角和场(gasf) 卷积神经网络(CNN) 多头自注意力机制(MSA) 门控循环单元(GRU); Keywords high-speed train gram angular summation field(gasf) convolutional neural network(CNN) multi-head self-attention mechanism(MSA) gated recurrent unit(GRU); 分类号 U271.91 [机械工程—车辆工程]; 在线阅读下载PDF 职称材料

题名基于GASF-BMKELM的滚动轴承故障诊断方法: 2; 作者杨锡发王林军邹腾枭吴振雄李响陈保家; 机构三峡大学水电机械设备设计与维护湖北省重点实验室三峡大学机械与动力学院三峡大学石墨增材制造技术与装备湖北省工程研究中心; 出处《三峡大学学报(自然科学版)》北大核心 2025年第4期96-103,共8页; 基金国家自然科学基金项目(51975324)。; 文摘针对传统故障诊断方法难以充分提取故障信息以及神经网络依赖初始参数选择的问题,提出一种基于格拉姆角和场(Gramian angular summation field,GASF)与贝叶斯优化多核极限学习机(Bayesian optimization multi-kernel extreme learning machine,BMKELM)的故障诊断方法.首先,应用小波包节点对数能量与格拉姆角和场(GASF)将原始振动信号变换为小波包对数能量图特征;其次,使用多项式核函数与径向基核函数加权组合构建多核极限学习机(multi-kernel extreme learning machine,MKELM),同时,利用贝叶斯优化算法优化多核极限学习机的参数来提升诊断模型的故障识别能力;最后,以小波包对数能量图特征作为输入,再使用BMKELM模型完成故障特征识别与分类.通过两个数据集进行验证分析,实验结果表明,所提方法的准确率分别为99.39%和98.89%,具有较高的故障识别率和稳定性.; 关键词滚动轴承格拉姆角和场小波包对数能量图多核极限学习机贝叶斯优化算法故障诊断; Keywords rolling bearing gramian angular summation field(gasf) wavelet packet logarithmic-energy map multiple-kernel extreme learning machine(MKELM) Bayesian optimization algorithm fault diagnosis; 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ECA-VGG16和迁移学习的砂轮磨损状态识别研究: 3; 作者周思康张明柱王宁宁王一帆史帅涛邱明; 机构河南科技大学机电工程学院黄河科技学院工学部; 出处《机床与液压》北大核心 2025年第19期103-109,共7页; 基金山东省重点研发计划项目(2020CXG011001)。; 文摘针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题,提出一种基于ECA-VGG16和迁移学习的砂轮磨损状态识别方法。采集3种工况下砂轮全寿命周期磨削过程中的声发射信号,并使用格拉姆角和场(GASF)将声发射信号转换为二维图像,构建源域数据集和目标域数据集。分析不同砂轮进给速度下3种砂轮磨损迁移学习任务,并对所提方法进行验证。结果表明:所提模型在3种多源域数据集中的平均识别准确率达到97.61%,比单源域迁移识别准确率94.04%提高了3.80%,表明通过构建多源域数据集进行迁移学习,可以有效提高砂轮磨损状态的识别准确率;与残差神经网络ResNet、对抗神经网络GAN和域自适应网络DAN相比,所提方法在多源域迁移(A/B→C、A/C→B、B/C→A)中的识别准确率分别为97.00%、97.50%、98.32%,均比上述3种算法得到的识别结果优异。研究结果为当前轴承套圈砂轮磨损状态监测工程应用提供了参考。; 关键词砂轮磨损状态识别迁移学习 ECA-VGG16 格拉姆角和场(gasf) 声发射信号; Keywords grinding wheel wear state recognition transfer learning ECA-VGG16 gramian angular summation field(gasf) acoustic emission signal; 分类号 TG743 [金属学及工艺—刀具与模具]; 在线阅读下载PDF 职称材料

题名基于格拉姆角和场和改进DenseNet的配电网故障选线方法: 4; 作者方豪魏业文张子洵张轲钦; 机构三峡大学电气与新能源学院三峡大学智慧能源技术湖北省工程研究中心; 出处《电力系统及其自动化学报》北大核心 2025年第9期109-118,共10页; 基金国家自然科学基金资质项目(52377191) 湖北省自然科学基金资助项目(2024AFB584)。; 文摘配电网小电流接地系统发生单相接地故障时,故障特征微弱。针对现有故障选线方法准确率不高、泛化能力差的问题,提出一种基于格拉姆角和场和改进密集型卷积神经网络的故障选线方法。首先,利用格拉姆角和场将线路一维零序电流信号转换为二维图像;然后,用融合SENet注意力机制的密集型卷积神经网络提取图像中的故障特征信息,用随机森林算法判别故障线路;最后,采用随机搜索算法优化模型参数,得到最优故障选线融合模型。仿真结果表明,相比于其他故障选线方法,所提方法在选线准确率、抗噪性能、泛化能力等方面表现优秀,为小电流接地系统故障选线提供了一种新思路。; 关键词小电流接地系统故障选线密集型卷积神经网络格拉姆角和场 SENet注意力机制随机森林; Keywords small current grounding system fault line selection dense convolutional network gramian angular summation field(gasf) SENet attention mechanism random forest; 分类号 TM726.2 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	操作
1	基于GASF多通道图像时序融合的高速列车横向减振器故障诊断	李刚秦永峰齐金平	《振动与冲击》北大核心	2025	在线阅读下载PDF 职称材料
2	基于GASF-BMKELM的滚动轴承故障诊断方法	杨锡发王林军邹腾枭吴振雄李响陈保家	《三峡大学学报(自然科学版)》北大核心	2025	在线阅读下载PDF 职称材料
3	基于ECA-VGG16和迁移学习的砂轮磨损状态识别研究	周思康张明柱王宁宁王一帆史帅涛邱明	《机床与液压》北大核心	2025	在线阅读下载PDF 职称材料
4	基于格拉姆角和场和改进DenseNet的配电网故障选线方法	方豪魏业文张子洵张轲钦	《电力系统及其自动化学报》北大核心	2025	在线阅读下载PDF 职称材料