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
共找到247篇文章
< 1 2 … 13 >
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：
基于RBM-CNN模型的滚动轴承剩余使用寿命预测 被引量：4
1
作者 张永超 杨海昆 +2 位作者 刘嵩寿 赵帅 陈庆光 《轴承》 北大核心 2025年第5期96-101,共6页
针对滚动轴承剩余使用寿命预测时存在特征提取困难及预测准确性较差的问题,提出一种基于受限玻尔兹曼机(RBM)与卷积神经网络(CNN)的滚动轴承剩余使用寿命预测模型。首先,采用快速傅里叶变换对轴承原始振动信号进行频域变换构建幅值谱;其... 针对滚动轴承剩余使用寿命预测时存在特征提取困难及预测准确性较差的问题,提出一种基于受限玻尔兹曼机(RBM)与卷积神经网络(CNN)的滚动轴承剩余使用寿命预测模型。首先,采用快速傅里叶变换对轴承原始振动信号进行频域变换构建幅值谱;其次,通过RBM挖掘幅值谱中的深度全局特征;然后,通过建立早期故障阈值点划分退化阶段;最后,利用深度CNN对轴承剩余使用寿命进行预测。使用辛辛那提大学轴承数据集对所提方法进行验证,并与其他深度学习方法进行对比,结果表明RBM-CNN模型的均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)最小,预测准确度最高,达到90.05%,验证了RBM-CNN模型在滚动轴承剩余使用寿命预测中的优越性。 展开更多
关键词 滚动轴承 使用寿命 寿命预测 玻尔兹曼机 卷积神经网络
在线阅读 下载PDF
一种小样本滚动轴承故障诊断算法 被引量：2
2
作者 宋存利 王子卓 时维国 《中国惯性技术学报》 北大核心 2025年第1期96-106,共11页
针对卷积神经网络在处理滚动轴承时域信号时难以充分提取特征、故障样本稀少及模型泛化性能不足的问题,提出一种基于注意力机制的增强卷积神经网络小样本故障诊断方法。首先,使用连续小波变换将轴承振动信号转化为二维时频图像,以便可... 针对卷积神经网络在处理滚动轴承时域信号时难以充分提取特征、故障样本稀少及模型泛化性能不足的问题,提出一种基于注意力机制的增强卷积神经网络小样本故障诊断方法。首先,使用连续小波变换将轴承振动信号转化为二维时频图像,以便可视化其特征。然后,通过数据增强扩充样本数据,提升模型在小样本情况下的泛化性。为提高特征提取和模型泛化能力,使用MixConv将ConvNeXt V2模型的7×7卷积层重构为不同大小的并行卷积核,增强多尺度特征提取效果;引入卷积注意力机制模块(CBAM)提升关键特征识别能力。该模型在凯斯西储大学、东南大学和渥太华大学的故障数据集上进行实验验证。实验结果表明,所提模型对不同故障的识别率均为100%,与目前常用的7个模型相比,在相同条件下故障识别准确率最高,具有较强的泛化性能。 展开更多
关键词 滚动轴承 故障诊断 注意力机制 连续小波变换 卷积神经网络
在线阅读 下载PDF
基于ASFF-AAKR和CNN-BILSTM滚动轴承寿命预测 被引量：1
3
作者 张永超 刘嵩寿 +2 位作者 陈昱锡 杨海昆 陈庆光 《科学技术与工程》 北大核心 2025年第2期567-573,共7页
针对滚动轴承寿命预测精度低,构建健康指标困难的问题。提出了一种基于自适应特征融合(adaptively spatial feature fusion,ASFF)和自联想核回归模型(auto associative kernel regression,AAKR)与卷积神经网络(convolutional neural net... 针对滚动轴承寿命预测精度低,构建健康指标困难的问题。提出了一种基于自适应特征融合(adaptively spatial feature fusion,ASFF)和自联想核回归模型(auto associative kernel regression,AAKR)与卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆网络(bi-directional long-short term memory,BILSTM)的轴承剩余寿命预测模型。首先,在时域、频域和时频域提取多维特征,利用单调性和趋势性筛选敏感特征;其次利用ASFF-AAKR对敏感特征进行特征融合构建健康指标;最后,将健康指标输入到CNN和BILSTM中,实现对滚动轴承的寿命预测。结果表明:所构建的寿命预测模型优于其他模型,该方法具有更低的误差、寿命预测精度更高。 展开更多
关键词 滚动轴承 自适应特征融合 自联想核回归 卷积神经网络 双向长短期记忆网络 剩余寿命预测
在线阅读 下载PDF
小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法 被引量：1
4
作者 雷春丽 焦孟萱 +2 位作者 薛林林 张护强 史佳硕 《计算机集成制造系统》 北大核心 2025年第1期278-289,共12页
针对滚动轴承在不同工况条件下样本分布不同以及故障样本数量不足导致故障诊断精度低、泛化性能差的问题,提出一种小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法。首先,运用马尔科夫转移场(MTF)将一维振动信号转化为具有... 针对滚动轴承在不同工况条件下样本分布不同以及故障样本数量不足导致故障诊断精度低、泛化性能差的问题,提出一种小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法。首先,运用马尔科夫转移场(MTF)将一维振动信号转化为具有时间相关性的二维特征图。其次,提出条纹自校正注意力机制(SSCAM),它不仅可以加强模型在长距离方向上的特征提取能力,还能建立通道间依赖关系,可以对全局有效信息进行捕捉。然后,将SSCAM引入到多尺度神经网络(MSCNN)中,构建出SSCAM-MSCNN模型。最后,将MTF二维特征图输入到所提模型中进行训练,采用优化后的网络模型进行测试并输出分类结果。通过美国凯斯西储大学以及本实验室MFS滚动轴承数据集对所提方法进行验证,同时对后者进行加噪处理,与其他故障诊断模型进行对比。试验结果表明,所提方法在小样本、变工况条件下具有更高的识别精度、更强的泛化性能与抗噪性能。 展开更多
关键词 滚动轴承 马尔科夫转移场 卷积神经网络 条纹自校正注意力机制 小样本 故障诊断
在线阅读 下载PDF
基于1DCNN特征提取和RF分类的滚动轴承故障诊断
5
作者 张豪 刘其洪 +1 位作者 李伟光 李漾 《中国测试》 北大核心 2025年第4期137-143,共7页
针对深度学习技术在滚动轴承故障诊断识别中依赖于大量测量数据,相对较少的数据可能会导致过度拟合并降低模型的稳定性等问题,提出一种一维卷积神经网络(1DCNN)和随机森林(RF)相结合的轴承故障诊断模型。将原始时域信号输入搭建的1DCNN... 针对深度学习技术在滚动轴承故障诊断识别中依赖于大量测量数据,相对较少的数据可能会导致过度拟合并降低模型的稳定性等问题,提出一种一维卷积神经网络(1DCNN)和随机森林(RF)相结合的轴承故障诊断模型。将原始时域信号输入搭建的1DCNN网络中,提取原始数据特征向量,对特征向量进行t-SNE降维可视化,验证1DCNN特征提取的有效性。将特征向量输入随机森林实现故障状态识别,解决小样本的滚动轴承故障分类问题。在CWRU数据集和Paderborn数据集上进行实验,针对不同类型、不同损伤程度的轴承,得到分类结果准确率分别达到99.69%和99.16%。与传统的神经网络和机器学习分类模型相比,1DCNN-RF模型具有更高的诊断准确率,可验证所提模型的泛化性和有效性。 展开更多
关键词 滚动轴承 故障诊断 一维卷积神经网络 随机森林
在线阅读 下载PDF
基于GADF和CWT并行输入模型的滚动轴承智能诊断研究
6
作者 张小丽 和飞翔 +2 位作者 梁旺 李敏 王保建 《湖南大学学报(自然科学版)》 北大核心 2025年第2期98-108,共11页
滚动轴承运行工况的变化与噪声干扰等随机不确定性因素会导致网络特征提取不完整,从而无法捕捉故障突变等局部奇异信息.针对上述问题,提出一种并行二维深度可分离残差神经网络(parallel two-dimensional depthwise separable residual n... 滚动轴承运行工况的变化与噪声干扰等随机不确定性因素会导致网络特征提取不完整,从而无法捕捉故障突变等局部奇异信息.针对上述问题,提出一种并行二维深度可分离残差神经网络(parallel two-dimensional depthwise separable residual neural network,P2DDSResNet)模型,通过格拉姆角分场(Gramian angular difference field,GADF)和连续小波变换(continuous wavelet transform,CWT)将振动信号转变为二维时频图像,保留了完整的时频域信息.采用深度可分离卷积替代残差模块中的普通卷积,增强特征学习能力,从而使模型具有更强的特征提取能力,以解决在高噪声和变工况环境中故障诊断效果不佳的问题.采用滚动轴承故障模拟试验台获取的数据对其进行试验分析并与其他卷积神经网络方法对比,结果表明,优化后的算法模型具有良好的泛化性和准确率. 展开更多
关键词 故障诊断 深度可分离卷积 滚动轴承 残差神经网络 特征提取
在线阅读 下载PDF
双通道小波核-卷积神经网络轧机设备轴承诊断方法
7
作者 时培明 肖立峰 +2 位作者 许学方 何俊杰 彭荣荣 《机械科学与技术》 北大核心 2025年第2期335-344,共10页
轧机设备运行过程中产生的振动信号和声音信号包含丰富的状况信息,而使用单类传感器采集信号难以捕获轧机的全面信息。针对上述问题,提出一种基于双通道异源信息融合的小波核-卷积神经网络算法。首先,将采集的振动信号转换成二维小波时... 轧机设备运行过程中产生的振动信号和声音信号包含丰富的状况信息,而使用单类传感器采集信号难以捕获轧机的全面信息。针对上述问题,提出一种基于双通道异源信息融合的小波核-卷积神经网络算法。首先,将采集的振动信号转换成二维小波时频图作为二维卷积神经网络通道的输入;再设计一种小波核网络Wavelet kernel network (WKN)作为一维通道对声音信号进行处理;最后,将各通道提取的特征向量在汇聚层进行拼接,信息融合后实现对轧机设备的轴承状况诊断。为了验证该算法的有效性,搭建轧机状况实验平台。实验结果表明,在变工况下,双通道小波核-卷积神经融合网络对轧机轴承故障诊断准确率可达99%。 展开更多
关键词 故障诊断 轧机轴承 双通道卷积神经网络 小波卷积核
在线阅读 下载PDF
用于矿山皮带输送机滚动轴承故障识别的Xception-CNN模型
8
作者 权国辉 邰金华 +1 位作者 张庆莉 薛春霞 《金属矿山》 北大核心 2025年第10期149-158,共10页
针对矿山皮带输送机滚动轴承故障振动信号噪声大、故障特征提取困难的问题,提出了一种结合信号优化预处理与深度学习的故障识别模型。该模型首先利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化的变分模态分解(Variational Mod... 针对矿山皮带输送机滚动轴承故障振动信号噪声大、故障特征提取困难的问题,提出了一种结合信号优化预处理与深度学习的故障识别模型。该模型首先利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化的变分模态分解(Variational Mode Decomposition,VMD)方法,对原始振动信号进行自适应降噪与重构以精准提取故障特征。然后,将重构后的信号转换为二维灰度图,作为模型的输入。最后,在识别分类阶段构建了一种改进的Extreme Inception(Xception)和卷积神经网络(Extreme Inception and Convolutional Neural Network,Xception-CNN)模型。该模型融合了Xception架构的深度可分离卷积优点以更高效地利用计算资源,同时引入了通道注意力机制以增强对关键故障特征的关注,并嵌入残差学习模块以缓解深层网络的梯度消失问题,最终实现端到端的故障状态智能分类。结果表明:Xception-CNN故障识别模型在测试集上实现了98.61%的最高识别准确率,F1分数达到0.985;在强噪声(信噪比为10 dB)干扰下,该模型准确率仍保持在98.61%,显著优于对比方法,具有较好的鲁棒性。同时,模型参数量仅为42.7 MB,单样本推理耗时仅12.3 ms,在保证高精度的同时具备良好的工程应用效率。 展开更多
关键词 滚动轴承 故障识别 信号处理 鲸鱼优化算法 变模态分解 卷积神经网络
在线阅读 下载PDF
基于MC2DCNN-LSTM模型的齿轮箱全故障分类识别模型
9
作者 陈蓉 王磊 《机电工程》 北大核心 2025年第2期287-297,共11页
针对轧机齿轮箱结构复杂、故障信号识别困难、故障部位分类不清等难题,提出了一种基于多通道二维卷积神经网络(MC2DCNN)与长短期记忆神经网络(LSTM)特征融合的故障诊断方法。首先,设计了一种三通道混合编码的二维样本结构,以达到故障识... 针对轧机齿轮箱结构复杂、故障信号识别困难、故障部位分类不清等难题,提出了一种基于多通道二维卷积神经网络(MC2DCNN)与长短期记忆神经网络(LSTM)特征融合的故障诊断方法。首先,设计了一种三通道混合编码的二维样本结构,以达到故障识别与分类目的,对齿轮箱典型故障进行了自适应分类;其次,该模型将齿轮箱的垂直、水平和轴向三个方向的振动信号融合构造输入样本,结合了二维卷积神经网络与长短时记忆神经网络的优势,设计了与之对应的二维卷积神经网络结构,其相较于传统的单通道信号包含了更多的状态信息;最后,分析了轧制过程数据和已有实验数据,对齿轮故障和齿轮箱全故障进行了特征识别和分类,验证了该模型的准确率。研究结果表明:模型对齿轮箱齿面磨损、齿根裂纹、断齿以及齿面点蚀等典型故障识别的平均准确率达到95.9%,最高准确率为98.6%;相较于单通道信号,多通道信号混合编码方式构造的分类样本极大地提升了神经网络分类的准确性,解调出了更丰富的故障信息。根据轧制过程中的运行数据和实验台数据,验证了该智能诊断方法较传统方法在分类和识别准确率上更具优势,为该方法的工程应用提供了理论基础。 展开更多
关键词 高精度轧机齿轮箱 智能故障诊断 多通道二维卷积神经网络 长短期记忆神经网络 数据分类
在线阅读 下载PDF
基于COA-CNN的滚动轴承故障诊断方法研究
10
作者 别锋锋 周兆龙 +3 位作者 李倩倩 丁学平 袁为栋 张瀚阳 《噪声与振动控制》 北大核心 2025年第4期136-142,共7页
滚动轴承大多处于高速、高负载的复杂工况,通常存在较强的非平稳非线性特征,使得对其振动信号分析、故障识别困难。对此,提出一种基于浣熊算法(Coati Optimization Algorithm,COA)优化卷积神经网络(Convolutional Neural Network,CNN)... 滚动轴承大多处于高速、高负载的复杂工况,通常存在较强的非平稳非线性特征,使得对其振动信号分析、故障识别困难。对此,提出一种基于浣熊算法(Coati Optimization Algorithm,COA)优化卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法。首先利用差分连续小波变换(Difference Continuous Wavelet Transform,DCWT)对原始振动信号进行预处理,获取包含完整原始特征信息的小波时频图,通过构建COA-CNN模型优化神经网络的核心参数,对所获取的时频特征信息进行识别,由此完成滚动轴承的非平稳信息的提取和模式识别。实验仿真和工程应用研究表明,在复杂工况下该方法可以有效实现滚动轴承典型故障模式的识别。 展开更多
关键词 故障诊断 滚动轴承 卷积神经网络 小波变换 时频图 模式识别
在线阅读 下载PDF
基于AMCNN-BiLSTM-CatBoost的滚动轴承故障诊断模型研究 被引量：1
11
作者 袁建华 邵星 +1 位作者 王翠香 皋军 《噪声与振动控制》 北大核心 2025年第2期82-89,共8页
针对现有的轴承故障诊断模型存在的分类精度差、运算效率不高的问题,提出一种基于注意力机制-卷积神经网络-双向长短期记忆网络-CatBoost(AMCNN-BiLSTM-CatBoost)的滚动轴承故障诊断模型。首先,对原始振动信号进行下采样技术处理,然后... 针对现有的轴承故障诊断模型存在的分类精度差、运算效率不高的问题,提出一种基于注意力机制-卷积神经网络-双向长短期记忆网络-CatBoost(AMCNN-BiLSTM-CatBoost)的滚动轴承故障诊断模型。首先,对原始振动信号进行下采样技术处理,然后将经过下采样后的振动信号作为模型输入,通过3个不同的卷积模块提取特征,并使用通道注意力模块对提取的特征进行加权融合,然后将经过加权融合后的数据输入到双向长短期记忆网络中进一步地提取时序特征信息,最后输入到CatBoost中进行故障分类。经过实验表明,该模型不仅能够保证故障诊断的高准确率,还可以大大缩短网络的训练时间。 展开更多
关键词 故障诊断 卷积神经网络 双向长短期记忆网络 注意力机制 CatBoost 轴承
在线阅读 下载PDF
基于多模型融合的轴承剩余寿命预测方法 被引量：2
12
作者 第轩 肖旺 +1 位作者 王庆锋 宋运锋 《计算机集成制造系统》 北大核心 2025年第7期2412-2424,共13页
准确预测滚动轴承的剩余使用寿命对于保证机械系统的安全运行和制定维修策略具有重要意义。然而,在实际工业应用中,由于工况的变化和环境噪声的干扰,从采集到的信号中提取有用特征十分困难。此外,还存在首次预测时间(FPT)测定模型准确... 准确预测滚动轴承的剩余使用寿命对于保证机械系统的安全运行和制定维修策略具有重要意义。然而,在实际工业应用中,由于工况的变化和环境噪声的干扰,从采集到的信号中提取有用特征十分困难。此外,还存在首次预测时间(FPT)测定模型准确度较低以及趋势分析模型过于简单等问题。上述问题使得机械设备剩余使用寿命(RUL)的高精度预测变得极具挑战。为此,提出了多模型融合的轴承剩余使用寿命预测新方法:首先,构建了结合改进深度森林(GADF)的健康指标模型和结合自注意力机制的自编码器(SAAE)的FPT测定模型;随后,基于FPT测定结果构建粒子滤波模型进行健康指标的趋势分析,最终得到机械设备的剩余使用寿命。实验验证表明,所提方法相较于其他方法具有较高的预测精度。 展开更多
关键词 剩余寿命预测 滚动轴承 长短时记忆神经网路 卷积神经网络 改进的深度森林 健康指标 粒子滤波 自编码器 自注意力机制
在线阅读 下载PDF
基于一维噪声增强卷积神经网络的轴承剩余使用寿命预测 被引量：1
13
作者 丁伟 陈律 +2 位作者 王骁贤 宋俊材 陆思良 《轴承》 北大核心 2025年第5期71-78,共8页
基于一维卷积神经网络,采用无条件的噪声注入方法提高网络模型的训练速度和预测精度,将得到的一维噪声增强卷积神经网络模型(1DNECNN)用于轴承剩余使用寿命预测,避免了复杂的数据预处理过程,可从原始振动信号中直接分辨出轴承的退化程... 基于一维卷积神经网络,采用无条件的噪声注入方法提高网络模型的训练速度和预测精度,将得到的一维噪声增强卷积神经网络模型(1DNECNN)用于轴承剩余使用寿命预测,避免了复杂的数据预处理过程,可从原始振动信号中直接分辨出轴承的退化程度。在IEEE PHM Challenge 2012轴承数据集上的对比试验表明,与无噪声注入的一维卷积神经网络、二维卷积神经网络和卷积注意力神经网络相比,1DNECNN预测结果的均方误差降低了24%~49%,具有更高的预测精度和更优的拟合性能。 展开更多
关键词 滚动轴承 剩余寿命 预测 神经网络 卷积 数据预处理
在线阅读 下载PDF
基于多尺度空洞卷积神经网络的滚动轴承故障识别方法
14
作者 汪小虎 赵荣珍 +1 位作者 邓林峰 郑玉巧 《兰州理工大学学报》 北大核心 2025年第3期55-63,共9页
针对现有卷积神经网络模型参数偏多导致滚动轴承智能诊断效率低和识别准确率受限于训练样本数量的问题,提出了基于多尺度空洞卷积神经网络的滚动轴承故障识别方法.该方法首先在模型的输入层采用大尺寸的空洞卷积核和标准卷积核提取一维... 针对现有卷积神经网络模型参数偏多导致滚动轴承智能诊断效率低和识别准确率受限于训练样本数量的问题,提出了基于多尺度空洞卷积神经网络的滚动轴承故障识别方法.该方法首先在模型的输入层采用大尺寸的空洞卷积核和标准卷积核提取一维振动信号的多尺度敏感特征,然后使用尺寸为1×1和3×1的小卷积核以及2×1的最大池化操作对输入层所提取敏感特征进一步提取深层抽象特征,最后用全局平均池化层代替传统卷积神经网络的全连接层.同时,分别采用西储大学轴承故障数据和实验室轴承故障数据进行实验验证.结果表明,该方法泛化性能良好,并且能够在训练样本较少的情况下出色地完成故障识别任务,即使在一定噪声干扰下也能够对轴承微弱故障准确识别. 展开更多
关键词 多尺度空洞卷积神经网络 滚动轴承 故障识别 小样本 微弱故障
在线阅读 下载PDF
基于EEMD与CNN-BiLSTM的噪声环境下滚动轴承故障诊断方法
15
作者 李军星 徐行 +1 位作者 贾现召 邱明 《轴承》 北大核心 2025年第2期85-92,共8页
针对滚动轴承在噪声环境中发生故障时,传统深度神经网络容易出现特征提取不充分,过拟合,泛化能力不足的问题,提出一种集成经验模态分解(EEMD)与卷积神经网络-双向长短时记忆网络(CNN-BiLSTM)的故障诊断方法。在信号预处理阶段使用EEMD... 针对滚动轴承在噪声环境中发生故障时,传统深度神经网络容易出现特征提取不充分,过拟合,泛化能力不足的问题,提出一种集成经验模态分解(EEMD)与卷积神经网络-双向长短时记忆网络(CNN-BiLSTM)的故障诊断方法。在信号预处理阶段使用EEMD将噪声环境下的振动信号分解为一系列固有模态函数,降低噪声的影响;在CNN部分的第1层使用大卷积核与多分支结构获得不同的感受野,在每一个分支中随机丢弃一些数据增强模型的抗干扰能力,从而提取到更具泛化能力的多样化特征信息,后续部分使用残差结构,以免网络较深时发生梯度消失的现象,解决深层次网络退化问题;在BiLSTM部分使用2个并行的分支结构,用于增强模型对时序信息的利用,从而提高模型在不同工况和噪声环境下的准确率。使用凯斯西储大学轴承数据集和西安交通大学轴承数据集对所提方法进行验证,并与其他深度学习方法和传统机器学习方法进行对比,结果表明本文方法在多种工况和噪声环境下均取得了优异的故障诊断性能。 展开更多
关键词 滚动轴承 故障诊断 集成经验模态分解 卷积神经网络 双向长短时记忆神经网络
在线阅读 下载PDF
自注意力机制下多尺度特征融合的轴承故障诊断
16
作者 史浩进 邱吉尔 +2 位作者 陶洪峰 唐金琳 靳广虎 《控制工程》 北大核心 2025年第9期1603-1610,共8页
针对多层次、非线性和非平稳的滚动轴承振动信号会导致轴承跨工况故障诊断困难的问题,提出了一种自注意力机制下多尺度特征融合的故障诊断模型。首先,通过不同尺度的卷积核分别提取轴承原始振动信号的低频特征与局部时域特征;其次,构建... 针对多层次、非线性和非平稳的滚动轴承振动信号会导致轴承跨工况故障诊断困难的问题,提出了一种自注意力机制下多尺度特征融合的故障诊断模型。首先,通过不同尺度的卷积核分别提取轴承原始振动信号的低频特征与局部时域特征;其次,构建嵌入多头自注意力(multi-headed self attention,MHSA)模块和压缩激励自注意力(squeezeand-excitation,SE)模块的多尺度特征融合模块MHSA-SE代替传统的拼接方法,进一步挖掘振动信号时频特征的内在联系,以提高跨工况诊断的性能。同时,采用批量归一化处理,以减少内部变量偏移,改善训练性能。实验结果表明,该端到端故障诊断方法能充分联合不同尺度特征,使跨工况的平均诊断精度达到97%以上。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 多尺度特征融合 自注意力机制
在线阅读 下载PDF
基于最小平均复合熵和并行卷积融合注意力机制轴承故障诊断模型
17
作者 张震 杨世锡 +1 位作者 何俊 周万春 《振动与冲击》 北大核心 2025年第18期252-262,共11页
针对复杂噪声影响下,轴承故障诊断中出现的故诊断准确率低,泛化能力弱的问题。提出基于最小平均复合熵和并行卷积融合注意力机制卷积神经网络轴承故障诊断模型。gai首先以雷尼熵和样本熵组成的最小平均复合熵作为适应度函数,以改进蜣螂... 针对复杂噪声影响下,轴承故障诊断中出现的故诊断准确率低,泛化能力弱的问题。提出基于最小平均复合熵和并行卷积融合注意力机制卷积神经网络轴承故障诊断模型。gai首先以雷尼熵和样本熵组成的最小平均复合熵作为适应度函数,以改进蜣螂算法作为优化算法对变化模态分解关键参数进行寻优,实现信号故障特征提取。随后将所提取信号特征以格拉姆角场转化为角和场和角差场。最后使用并行融合注意力机制卷积神经网络进行故障诊断。试验数据和台架试验结果表明,所提模型分类准确率高达99.3%,与对比模型相比,复杂噪声工况下的抗噪能力提高15%以上,泛化能力提高3.68%。 展开更多
关键词 雷尼熵 融合注意力机制 并行卷积神经网络 滚动轴承 格拉姆角场
在线阅读 下载PDF
基于海象优化算法优化SVMD联合BiLSTM的滚动轴承状态监测
18
作者 侯兴达 王靖岳 +1 位作者 周浩 丁建明 《组合机床与自动化加工技术》 北大核心 2025年第10期171-177,共7页
鉴于滚动轴承运行过程中振动信号呈现出非线性、非平稳的特性,导致轴承状态监测难度较大,从而提出了一种基于海象优化算法(WO)优化逐次变分模态分解(SVMS),并联合双向长短时记忆神经网络(BiLSTM)的监测模型。首先以信息熵作为适应度函数... 鉴于滚动轴承运行过程中振动信号呈现出非线性、非平稳的特性,导致轴承状态监测难度较大,从而提出了一种基于海象优化算法(WO)优化逐次变分模态分解(SVMS),并联合双向长短时记忆神经网络(BiLSTM)的监测模型。首先以信息熵作为适应度函数,利用WO优化SVMD的惩罚系数α,从而对振动信号分解;然后通过查看峭度,把每个样本的最佳IMF提取出来,得到其9种时域特征向量;最后将其输入至BiLSTM网络模型中,达到对轴承状态监测的目的。结果表明,经过凯西斯储大学和国内某大学轴承数据集验证分析,并与其他模型对比,证明所提方法可以有效地通过振动信号精准识别轴承状态,该方法25次试验平均准确率高达99.1%(数据1)和98.8%(数据2)。 展开更多
关键词 滚动轴承 状态监测 海象优化算法 逐次变分模态分解 双向长短时记忆神经网络
在线阅读 下载PDF
基于改进CNN-GRU模型的滚动轴承多故障诊断模型
19
作者 张雄 渠伟瀅 +2 位作者 王文强 董乐聪 万书亭 《机电工程》 北大核心 2025年第10期1931-1939,共9页
针对多种工况和故障共存引起的滚动轴承故障,采用传统的基于卷积神经网络的故障诊断模型进行诊断时,存在提取特征不丰富、容易丢失故障敏感信息、计算复杂和准确性低的问题,为此,提出了一种二维卷积神经网络(2D-CNN)与门控循环单元(GRU... 针对多种工况和故障共存引起的滚动轴承故障,采用传统的基于卷积神经网络的故障诊断模型进行诊断时,存在提取特征不丰富、容易丢失故障敏感信息、计算复杂和准确性低的问题,为此,提出了一种二维卷积神经网络(2D-CNN)与门控循环单元(GRU)相结合的滚动轴承多故障诊断模型(2D-CNN-GRU),并采用XJTU-SY和QPZZ-II两个公开轴承数据集,对其有效性进行了验证。首先,采用2D-CNN作为空间特征提取器,获取了信号的多种局部和全局特征,并将GRU层作为信号时序信息特征提取器;然后,对模型的特征提取过程进行了可视化处理;最后,将所选择的有效信号输入2D-CNN-GRU模型中,完成了数据分类,进而完成了轴承故障诊断。研究结果表明:利用XJTU-SY实验数据和QPZZ-II实验数据,验证了该方法在多种工作条件下对多种轴承故障共存的情况具有优秀的分类效果,准确率达到了95%以上。与传统轴承故障诊断方法相比,2D-CNN-GRU模型具有更高的准确性和一定的实际应用价值。 展开更多
关键词 滚动轴承 多故障诊断 二维卷积神经网络 门控循环单元 特征提取 数据预处理
在线阅读 下载PDF
基于增强深度卷积神经网络的滚动轴承多工况故障诊断方法 被引量：2
20
作者 郭盼盼 张文斌 +4 位作者 崔奔 郭兆伟 赵春林 尹治棚 刘标 《振动工程学报》 北大核心 2025年第1期96-108,共13页
针对现有卷积神经网络无法充分提取滚动轴承时域信号间的关联特征,模型训练所需样本多以及泛化性不足的问题,提出一种基于增强卷积神经网络模型的滚动轴承多工况故障诊断方法。根据滚动轴承转速和采样频率计算轴承单圈故障特征信号长度... 针对现有卷积神经网络无法充分提取滚动轴承时域信号间的关联特征,模型训练所需样本多以及泛化性不足的问题,提出一种基于增强卷积神经网络模型的滚动轴承多工况故障诊断方法。根据滚动轴承转速和采样频率计算轴承单圈故障特征信号长度,采用格拉姆角场编码技术对单圈时域信号完整信息进行编码,生成相应特征图像,使神经网络在视觉上对时域信号关联特征进行学习;利用ACNet网络模型中的非对称卷积对ConvNeXt模型的7×7深度卷积层进行重构:即采用2个3×3,1个1×3和1个3×1的非对称小卷积核以多分支结构组合的形式重构其7×7卷积层,增强ConvNeXt模型的特征提取效率;对ConvNeXt模型中的数据增强模块及学习率衰减策略进行改进,提高ConvNeX模型在小样本训练下的泛化性,以此搭建增强深度卷积神经网络IConvNeXt模型。使用凯斯西储大学不同故障直径轴承、东南大学滚动轴承复合故障和加拿大渥太华变转速滚动轴承故障数据集进行试验验证,结果表明:所提IConvNeXt模型对滚动轴承不同故障直径和复合故障识别准确率为100%,对变转速轴承故障识别率为99.63%。将所提方法与RP+ResNet、RP+IConvNeXt、MLCNN⁃LSTM、MTF+ICon⁃vNeXt等方法进行对比,结果表明,所提模型在更少样本训练下的故障诊断效果均优于其他方法,并具有较强的泛化性能。 展开更多
关键词 故障诊断 滚动轴承 多工况 格拉姆角场 增强卷积神经网络
在线阅读 下载PDF
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 2 … 13 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部