-
题名改进抗干扰CNN的变负载滚动轴承损伤程度识别
被引量：8
- 1
-
-
作者
董绍江
裴雪武
吴文亮
汤宝平
赵兴新
-
机构
重庆交通大学机电与车辆工程学院
重庆大学机械传动国家重点实验室
重庆长江轴承股份有限公司
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2021年第4期715-722,831,共9页
-
基金
国家自然科学基金资助项目(51775072)
重庆市科技创新领军人才支持计划资助项目(CSTCCCXLJRC201920)。
-
文摘
针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti⁃interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。
-
关键词
滚动轴承
损伤程度识别
注意力机制
抗干扰卷积神经网络
-
Keywords
rolling bearing
damage degree identification
attention mechanism(AM)
anti-interference convolutional neural network(acnn)
-
分类号
TH113.1
[机械工程—机械设计及理论]
TH133.3
[机械工程—机械制造及自动化]
-
-
题名基于多源信息融合的风电机组轴承故障诊断方法
被引量：2
- 2
-
-
作者
王正奇
谷艳玲
陈长征
田淼
孙鲜明
-
机构
沈阳工业大学机械工程学院
辽宁省振动噪声控制工程技术研究中心
宁波坤博测控科技有限公司
-
出处
《机电工程》
CAS
北大核心
2023年第9期1411-1418,共8页
-
基金
国家自然科学基金资助项目(52175105,51675350)。
-
文摘
在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明:不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。
-
关键词
风电机组
滚动轴承
多尺度特征提取
故障信息完整性
多源信息融合
注意力机制卷积神经网络
-
Keywords
wind turbine
rolling bearing
multi-scale features extraction
fault information integrity
multi-source information fusion(MSIF)
attention mechanism convolutional neural network(acnn)
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TM315
[电气工程—电机]
-
