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171篇文章
< 1 2 … 9 >
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：
CNN-DLSTM结合迁移学习的小样本轴承故障诊断方法
1
作者 仇芝 徐泽瑜 +2 位作者 陈涛 石明江 韦明辉 《机械科学与技术》 北大核心 2025年第2期288-297,共10页
针对轴承故障数据样本少、未知故障难以分类等问题,提出了一种将一维卷积神经网络(1D convolutional neural network, 1D-CNN)连接深层长短时记忆循环神经网络(Deep long-short-term memory neural network, DLSTM)的模型结合迁移学习... 针对轴承故障数据样本少、未知故障难以分类等问题,提出了一种将一维卷积神经网络(1D convolutional neural network, 1D-CNN)连接深层长短时记忆循环神经网络(Deep long-short-term memory neural network, DLSTM)的模型结合迁移学习的故障诊断方法。该诊断方法基于电机振动数据,利用CNN提取故障特征;将特征作为DLSTM的输入,进一步学习、编码从CNN中学习的特征序列信息,捕获高级特征用于故障分类;首先用充足的西储轴承数据对该故障诊断模型进行预训练,再利用迁移学习放松训练数据和测试数据可不必独立同分布的能力,使用自制实验平台的小样本数据微调预训练模型。最后用迁移学习后的模型,对跨工况、跨型号、跨故障的故障轴承数据进行模拟实验。结果表明,所提出的方法与其他方法相比鲁棒性强,训练速度更快,能够更精确的诊断故障,平均诊断精度达到99%以上。 展开更多
关键词 小样本数据集故障诊断 卷积神经网络 长短期记忆网络 迁移学习
在线阅读 下载PDF
基于VAE-WGAN的矿井提升机主轴承小样本故障诊断方法
2
作者 江帆 宋泓炎 +2 位作者 沈熙 朱真才 程舒曼 《煤炭科学技术》 北大核心 2025年第S1期468-482,共15页
作为提升机的关键组件,主轴承在长时间高速重载服役过程中,其性能会发生退化并导致故障产生,故开展提升机主轴承故障诊断对保障矿井提升机安全高效运行具有重要意义。然而,矿井提升机运行状态监测的数据中正常服役与故障状态的比重严重... 作为提升机的关键组件,主轴承在长时间高速重载服役过程中,其性能会发生退化并导致故障产生,故开展提升机主轴承故障诊断对保障矿井提升机安全高效运行具有重要意义。然而,矿井提升机运行状态监测的数据中正常服役与故障状态的比重严重失调,呈现出正常样本多、故障样本少、标签样本不足等特点,导致矿井提升机主轴承故障模型训练效果不理想、诊断准确度低。针对小样本下矿井提升机主轴承故障诊断准确率低的问题,通过融合变分自编码器和Wasserstein生成对抗网络,构建基于VAE-WGAN的矿井提升机主轴承样本增广模型,进而提出基于CBAM-MoblieNetV2的故障诊断方法,实现小样本数据下的矿井提升机主轴承故障诊断。在算法层面上,引入Wasserstein距离度量,解决生成对抗网络训练梯度消失问题。在数据层面上,使用凯斯西储大学数据集对VAE-WGAN进行测试,并通过量化指标评价VAE-WGAN生成能力的方式优选超参数,再用矿井提升机模拟实验台轴承数据集训练VAE-WGAN,实现小样本数据集增广扩容。为了提升故障诊断模型的特征提取能力和故障诊断准确率,在轻量化卷积神经网络MobileNetV2的基础上,将卷积块注意力机制CBAM融合到MobileNetV2深层特征映射,搭建注意力机制卷积分类网络CBAMMobileNetV2,通过融合跨通道信息和空间信息实现更多地关注故障特征。最后与WGAN_GP、DCGAN,VAE以及WGAN等传统生成模型进行了对比分析,VAE-WGAN+CBAM-MobileNetV2在4种小样本比例数据集上的准确率均高于其他4种方法,证明了所提样本增广和故障诊断方法在不同小样本比例故障数据集上的故障诊断准确率更高,能够满足小样本下的故障诊断要求。 展开更多
关键词 生成对抗网络 小样本 矿井提升机 主轴承 故障诊断
在线阅读 下载PDF
基于声纹脊线化和元学习的变压器故障诊断方法
3
作者 曲朝阳 刘谊豪 +2 位作者 曲楠 姜涛 徐晓宇 《电力系统保护与控制》 北大核心 2025年第13期163-174,共12页
针对变压器声纹检测中信号易受干扰且足量样本获取困难的问题,提出一种融合声纹脊线化与元学习的变压器声纹诊断方法。首先,基于脊线化特征处理,对优化后的变压器声纹时频谱图进行物理特征筛选与形态特征压缩。然后,搭建选择性编码器(se... 针对变压器声纹检测中信号易受干扰且足量样本获取困难的问题,提出一种融合声纹脊线化与元学习的变压器声纹诊断方法。首先,基于脊线化特征处理,对优化后的变压器声纹时频谱图进行物理特征筛选与形态特征压缩。然后,搭建选择性编码器(selective encoder, SE)加深时频与形态表征的关联度,提升模型收敛速度。最后,构造元学习网络评估变压器状态,并引入基于OD-Reptile的一阶梯度更新策略,通过内外循环优化机制增强参数泛化性,从而实现少样本、信息干扰条件下的高精度声纹诊断。相较于R-WDCNN、LSTM、CNN等传统深度学习信号诊断方法,该方法在低样本、高噪声环境下(SNR为-12 dB),收敛轮数减少10轮以上。同时,准确率分别提高6.35%,12.1%和16.93%。实验结果显示,所提方法在准确性、抗噪性、鲁棒性以及泛化性方面均有显著提升。 展开更多
关键词 声纹 小样本 脊线化 时频谱图 选择性编码 元学习 故障诊断
在线阅读 下载PDF
小样本下基于DWT和2D-CNN的齿轮故障诊断方法
4
作者 宋庭新 黄继承 +2 位作者 刘尚奇 杜敏 李子平 《计算机集成制造系统》 北大核心 2025年第6期2206-2214,共9页
针对齿轮设备运维过程中故障信号较少的情况,提出一种将离散小波变换(DWT)与二维卷积神经网络(2D-CNN)相结合的故障识别方法。该方法通过将少量信号经卷积神经网络得到的分类标签与信号的小波能量进行权值分配,实现对齿轮的故障识别。... 针对齿轮设备运维过程中故障信号较少的情况,提出一种将离散小波变换(DWT)与二维卷积神经网络(2D-CNN)相结合的故障识别方法。该方法通过将少量信号经卷积神经网络得到的分类标签与信号的小波能量进行权值分配,实现对齿轮的故障识别。为了充分获取小样本中的信息来训练神经网络,利用离散小波分解、图像变换和Markov变迁场方法对样本信号进行增量和转换。通过验证齿轮箱数据集得到96%的训练准确率和87.5%的分类准确率,同时通过消融实验和对比实验证明,该方法可以有效克服小样本数据中的噪声干扰,使数据得到增强,在齿轮故障识别中具有很好的现实意义。 展开更多
关键词 故障诊断 小样本 二维卷积神经网络 小波变换
在线阅读 下载PDF
某重型数控镗铣床主轴进给传动子系统小样本故障数据下的可靠性评估
5
作者 陈红霞 王凡 +2 位作者 王纪华 任杰 谢遂心 《机床与液压》 北大核心 2025年第13期173-180,共8页
针对某重型数控镗铣床主轴进给传动子系统小样本故障数据下的可靠性评估问题,采用同类型机床故障数据,作为贝叶斯分析中的先验数据,结合实际收集到的进给传动子系统小样本故障数据,应用Bootstrap-Bayes方法,进行Bootstrap再抽样,得到分... 针对某重型数控镗铣床主轴进给传动子系统小样本故障数据下的可靠性评估问题,采用同类型机床故障数据,作为贝叶斯分析中的先验数据,结合实际收集到的进给传动子系统小样本故障数据,应用Bootstrap-Bayes方法,进行Bootstrap再抽样,得到分布函数参数的置信区间,以此作为贝叶斯方法的先验信息。在此基础上,利用k-means聚类分析方法对Bootstrap法扩充后的数据进行聚合筛选,改进后尺度参数置信区间和形状参数置信区间的长度大幅缩短。之后利用WINBUGS软件进行后验求解,得出进给传动子系统的平均故障间隔时间(MTBF),其结果更加接近实际MTBF,有效提高了可靠性评估结果的精度。 展开更多
关键词 进给传动子系统 小样本故障数据 可靠性评估 Bootstrap-Bayes k-means聚类分析
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
6
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IVYA-FMD和EELM-Yager的轴承小样本故障诊断模型
7
作者 王恒迪 王豪馗 +2 位作者 陈鹏 吴升德 马盈丰 《机电工程》 北大核心 2025年第6期1093-1101,共9页
针对滚动轴承故障特征提取难度大以及不同故障类型训练样本稀缺的问题,提出了一种基于参数优化特征模态分解(FMD)和集成极限学习机(EELM)的小样本滚动轴承故障诊断方法。首先,采用常春藤算法(IVYA)对FMD参数进行了优化,提升了模态分解... 针对滚动轴承故障特征提取难度大以及不同故障类型训练样本稀缺的问题,提出了一种基于参数优化特征模态分解(FMD)和集成极限学习机(EELM)的小样本滚动轴承故障诊断方法。首先,采用常春藤算法(IVYA)对FMD参数进行了优化,提升了模态分解的精确度,并采用最小残差指数(REI)作为最优模态分量的选取准则,从最优模态分量中提取了故障信号时域、频域及熵值的关键特征;然后,将所提取的特征输入EELM中进行了故障识别;最后,采用Yager加权平均规则对EELM的分类结果进行了融合,得到了综合故障诊断结果。研究结果表明:IVYA-FMD在信号处理过程中,具有优秀的特征提取和抗干扰能力,可有效提取原始信号的故障特征;IVYA-FMD和EELM-Yager模型在实验数据中,训练集与测试集按照8∶2的比例进行分割时的准确率达到99.12%;当训练集与测试集按照2:8的比例进行分割时,该方法在实验数据中的准确率高达92.5%,在CWRU数据集和SEU数据集中的准确率均超过96.8%。与其他智能诊断模型相比,IVYA-FMD和EELM-Yager在小样本滚动轴承故障诊断领域展现出显著的可行性和优越性。 展开更多
关键词 特征模态分解 常春藤算法 集成极限学习机 Yager加权平均 小样本故障诊断 滚动轴承
在线阅读 下载PDF
基于特征融合的GA-SVM配电网单相接地故障选线方法 被引量：2
8
作者 张晓鹏 白洁 +3 位作者 孙乃君 李捷 郑帅 万庆祝 《电测与仪表》 北大核心 2025年第1期140-148,共9页
针对配电网单相接地故障数据量较少时,选线方法精度不高,提出一种基于特征融合的遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)配电网单相接地故障选线方法,采用傅里叶变换、有功功率法以及小波包变换对不... 针对配电网单相接地故障数据量较少时,选线方法精度不高,提出一种基于特征融合的遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)配电网单相接地故障选线方法,采用傅里叶变换、有功功率法以及小波包变换对不同故障工况下每一条线路的暂态零序电流进行分解,提取基波幅值、五次谐波幅值、平均有功功率分量及小波能量值四种特征,经主成分分析法对这四种特征进行融合,提取主成分分量,建立特征数据库,将特征数据库的80%作为训练集,20%作为测试集,通过GA-SVM对特征数据库中的样本进行训练,实现故障选线。通过MATLAB/Simulink搭建包含5条馈线的配电网仿真模型进行验证,结果表明,提出的算法可以通过小样本数据实现故障选线,选线精度较高,适用性强。 展开更多
关键词 单相接地故障 特征融合 GA-SVM 暂态零序电流 小样本数据
在线阅读 下载PDF
基于深度学习的轴承故障小样本扩容及智能诊断 被引量：1
9
作者 刘迪洋 张清华 胡勤 《机床与液压》 北大核心 2025年第4期10-18,共9页
由于轴承长期处于正常运行状态,从而使得可采集的故障数据十分有限,缺少足够的故障数据导致它与正常数据之间产生了数据不均衡问题。为了解决该问题,提出一种改进的深度卷积生成对抗网络与Swin Transformer模型相结合的故障诊断新方法... 由于轴承长期处于正常运行状态,从而使得可采集的故障数据十分有限,缺少足够的故障数据导致它与正常数据之间产生了数据不均衡问题。为了解决该问题,提出一种改进的深度卷积生成对抗网络与Swin Transformer模型相结合的故障诊断新方法。对轴承的振动信号进行连续小波变换(CWT)将其转化为时频图;构建改进的深度卷积生成对抗网络对故障信号生成的时频图进行样本扩容,以解决其样本不均衡问题;最后利用Swin Transformer模型完成对轴承故障的分类识别。实验结果表明:所提方法不仅可以生成与真实样本相似度较高的生成样本,同时能准确有效地对轴承的各类故障进行分类识别。 展开更多
关键词 数据不均衡 故障诊断 生成对抗网络 小波变换 样本扩容
在线阅读 下载PDF
小样本下离心泵的孪生网络故障诊断方法
10
作者 李科 张来斌 +2 位作者 段礼祥 刘海鹏 张馨月 《科学技术与工程》 北大核心 2025年第11期4543-4550,共8页
实际工程中需要大量数据支撑的常规诊断方法难以有效进行小样本条件下的离心泵故障诊断,为此,将深度学习中的残差网络(residual network, ResNet)与膨胀卷积相结合,并拓展为孪生网络,构建膨胀残差孪生网络(dilated residual siamese net... 实际工程中需要大量数据支撑的常规诊断方法难以有效进行小样本条件下的离心泵故障诊断,为此,将深度学习中的残差网络(residual network, ResNet)与膨胀卷积相结合,并拓展为孪生网络,构建膨胀残差孪生网络(dilated residual siamese network, DRSN)。将膨胀残差网络作为孪生网络的特征提取模块,强化了模型的特征提取能力;构造正负样本对,从每个样本中提取更多的信息,更有效地利用有限的数据;两个子网络共享参数,减少自由参数的数量,降低样本不足时过拟合的风险。提出的网络模型缓解了训练样本不足的问题,提升了数据利用的效率,实现了小样本条件下的离心泵故障分类。研究结果表明:在样本最匮乏的情况下,该模型在离心泵试验数据集上的准确率仍能达到82.20%,相较其他模型,准确率至少提升了8.8个百分点。 展开更多
关键词 离心泵 故障诊断 小样本 残差网络 孪生网络
在线阅读 下载PDF
基于多通道数据双层增强的样本不平衡故障诊断方法
11
作者 郭一鸣 童一飞 +3 位作者 何非 谢中取 宋世达 黄静 《兵工学报》 北大核心 2025年第2期287-300,共14页
在复杂制造过程中常需要采集并分析多通道数据以实现状态监测和故障诊断,针对现有方法难以处理多通道数据复杂时空相关结构和样本不平衡的问题,提出了一种基于多通道数据双层增强的样本不平衡故障诊断方法。所提模型具有2阶段数据增强... 在复杂制造过程中常需要采集并分析多通道数据以实现状态监测和故障诊断,针对现有方法难以处理多通道数据复杂时空相关结构和样本不平衡的问题,提出了一种基于多通道数据双层增强的样本不平衡故障诊断方法。所提模型具有2阶段数据增强和全局优化的特点,通过先学习故障特征再转化为多通道数据的方式实现数据增强,引入分布差异评估机制有效地描述不同通道之间的数据相关性,基于多目标的全局优化策略来提高生成数据的质量。通过实际案例验证所提方法的有效性,实验结果表明:双层增强方法能有效扩充多通道数据的样本量,全局优化策略可以提高生成数据在故障诊断中的性能。与现有模型相比,所提方法在多种样本不平衡场景下均具有较高的故障诊断准确率。 展开更多
关键词 多通道数据 样本不平衡故障诊断 双层数据增强 全局优化
在线阅读 下载PDF
基于穿越可视图和图同构网络的风电传动系统故障诊断方法
12
作者 周忠志 邓艾东 +3 位作者 刘东瀛 刘洋 胡沁怡 饶朗 《太阳能学报》 北大核心 2025年第2期591-599,共9页
为解决实际工程应用中风电机组传动系统在小样本情况下的故障诊断困难问题,提出一种基于穿越可视图和图同构网络的旋转机械故障诊断方法。首先,利用有限穿越可视图算法将时间序列信号数据转换为图结构数据,并对连接边进行加权;然后,将... 为解决实际工程应用中风电机组传动系统在小样本情况下的故障诊断困难问题,提出一种基于穿越可视图和图同构网络的旋转机械故障诊断方法。首先,利用有限穿越可视图算法将时间序列信号数据转换为图结构数据,并对连接边进行加权;然后,将加权图数据输入到网络模型中进行训练,模型引入自注意力机制以实现适应性建模并提高模型的泛化能力;最后,利用Softmax分类器实现故障诊断任务。实验结果表明所提方法能在极限小样本数量下取得较好的故障诊断效果。 展开更多
关键词 风电机组 故障诊断 小样本 图同构网络 穿越可视图
在线阅读 下载PDF
基于FDVI和CDDPM的小样本岸桥齿轮箱多类故障诊断
13
作者 袁九海 张氢 +2 位作者 张建群 冯文宗 孙远韬 《振动与冲击》 北大核心 2025年第6期306-317,共12页
岸桥齿轮箱零部件数量多、故障类型丰富,且故障数据难以获取,其诊断面临小样本、多分类的问题。针对上述问题,提出了一种基于频域振动图(frequency domain vibration image,FDVI)和条件去噪扩散概率模型(conditional denoising diffusio... 岸桥齿轮箱零部件数量多、故障类型丰富,且故障数据难以获取,其诊断面临小样本、多分类的问题。针对上述问题,提出了一种基于频域振动图(frequency domain vibration image,FDVI)和条件去噪扩散概率模型(conditional denoising diffusion probabilistic model,CDDPM)的故障诊断方法。首先,将获取的振动信号转为FDVI图像,充分表征各故障的振动信号的特征信息;然后,使用CDDPM对小样本数据进行扩充,将标签信息输入到模型以控制生成故障样本类别,同时采用跳层采样加快样本生成速度;最后,将扩充后的样本集输入卷积神经网络分类器中进行训练,提升分类器对小样本多类故障诊断的效果。在对CWRU数据集的17种故障类型和岸桥缩尺试验台数据集的29种故障类型的小样本诊断试验表明:样本扩充后CWRU数据集故障识别率由89.86%提高到99.30%;岸桥数据集故障识别率由68.63%提高到95.75%。上述分析表明所提方法能完成小样本条件下岸桥齿轮箱多类故障诊断任务。 展开更多
关键词 频域振动图 条件去噪扩散概率模型 小样本 岸桥齿轮箱 故障诊断
在线阅读 下载PDF
基于二维灰度图和结构相似生成对抗网络的小样本轴承故障诊断
14
作者 岳健 刘冰 江国乾 《轴承》 北大核心 2025年第3期88-96,共9页
针对轴承故障诊断领域中标记故障样本稀缺,且主流方法在进行数据扩充时存在生成数据质量不高的问题,提出一种基于二维灰度图和结构相似生成对抗网络(SSGAN)的小样本轴承故障诊断方法。首先,将一维振动信号转换为二维灰度图输入SSGAN中... 针对轴承故障诊断领域中标记故障样本稀缺,且主流方法在进行数据扩充时存在生成数据质量不高的问题,提出一种基于二维灰度图和结构相似生成对抗网络(SSGAN)的小样本轴承故障诊断方法。首先,将一维振动信号转换为二维灰度图输入SSGAN中进行对抗训练;其次,结合真实故障样本对生成样本进行结构相似性(SSIM)分析,剔除差异性较大的生成样本,得到辅助训练样本;最后,将扩充后的训练样本输入深度卷积神经网络(DCNN)中进行故障诊断。试验结果表明,所提方法在小样本轴承数据集下的故障识别准确率达到了99.10%,与其他故障诊断方法相比具有明显的优越性。 展开更多
关键词 滚动轴承 故障诊断 小样本 灰度图 生成对抗网络
在线阅读 下载PDF
小样本下MTF和CBAM-IGPN的柴油机气门故障诊断
15
作者 王立佳 黄国勇 《机械科学与技术》 北大核心 2025年第7期1143-1150,共8页
针对柴油机气门早期故障特征不明显以及故障样本数量不足导致故障诊断识别精度低的问题,提出在小样本下基于马尔可夫变迁场(Markov transition field,MTF)和融合卷积注意力机制模块并改进嵌入网络的高斯原型网络(Convolutional block at... 针对柴油机气门早期故障特征不明显以及故障样本数量不足导致故障诊断识别精度低的问题,提出在小样本下基于马尔可夫变迁场(Markov transition field,MTF)和融合卷积注意力机制模块并改进嵌入网络的高斯原型网络(Convolutional block attention module-improved gaussian prototype network,CBAM-IGPN)的柴油机气门间隙故障诊断研究。首先,根据柴油机缸盖振动信号特性,将缸盖的一维振动信号通过MTF编码成二维特征图。其次,通过改进GPN中的嵌入网络,将初始嵌入网络(Convolutional neural networks,CNN)进行改进为深度卷积神经网络(Deep convolutional neural networks,DCNN)提高模型对特征图深层信息的挖掘,在DCNN的卷积层中加入CBAM增强模型对重要区域的注意力。最后,将编码后的特征图输入到CBAM-IGPN中训练并进行测试得到分类结果。结果表明,该文所提方法在小样本条件下对柴油机气门故障诊断精度更高。 展开更多
关键词 柴油机 故障诊断 马尔可夫变迁场 高斯原型网络 小样本
在线阅读 下载PDF
基于多重流形标签传播的滚动轴承故障诊断方法
16
作者 李灿 王广斌 +2 位作者 赵树标 钟志贤 曾东 《振动与冲击》 北大核心 2025年第1期121-133,共13页
针对当前的无监督域自适应算法应用于滚动轴承故障诊断领域时,源域数据不平衡,且两个域之间存在域偏移,导致故障识别率低的问题,提出了一种基于多重流形标签传播的滚动轴承故障诊断方法,旨在将源域和目标域的数据多重投影到共同的子空间... 针对当前的无监督域自适应算法应用于滚动轴承故障诊断领域时,源域数据不平衡,且两个域之间存在域偏移,导致故障识别率低的问题,提出了一种基于多重流形标签传播的滚动轴承故障诊断方法,旨在将源域和目标域的数据多重投影到共同的子空间,减少域内以及跨域的差异,同时平衡样本分布,进而提高变工况轴承故障诊断的精度。首先,提出域内局部保持平衡映射方法,将源域和目标域数据映射到一重流形子空间,得到域内对齐后的样本数据,并对源域数据进行平衡处理,得到平衡后的源域数据;然后,提出跨域流形结构细化对齐方法,将数据进一步映射到二重共享子空间,得到细化对齐后的样本数据;最后,通过动态加权伪标签域适应传播方法,得到准确度高的伪标签。分别在CWRU和自建的轴承数据集上进行故障诊断试验,试验结果表明,所提方法不仅对多故障类型多故障尺寸、复合故障上有着较好的识别能力,且当标签样本稀少时,模型也表现出优秀的诊断效果。 展开更多
关键词 多重流形映射 轴承故障诊断 小样本 动态加权伪标签
在线阅读 下载PDF
面向小样本数据的电机转子振动故障诊断研究
17
作者 蔡兆龙 张建良 +1 位作者 孟宏宇 李超勇 《中国电机工程学报》 北大核心 2025年第6期2378-2388,I0029,共12页
针对电机转子振动数据中存在的小样本情况或不同类别样本存在样本量不平衡而导致故障诊断准确率低等问题,提出一种融合纵向空间特征提取模块、横向时序特征提取模块和注意力机制的新型故障诊断模型。首先,以卷积神经网络为基础构建多尺... 针对电机转子振动数据中存在的小样本情况或不同类别样本存在样本量不平衡而导致故障诊断准确率低等问题,提出一种融合纵向空间特征提取模块、横向时序特征提取模块和注意力机制的新型故障诊断模型。首先,以卷积神经网络为基础构建多尺度纵向空间特征提取模块,实现对单一时刻下转子振动数据的快速特征提取。然后,基于长短期记忆网络建立横向时序特征提取模块,实现多个时刻下振动信号时序特征与故障类别之间的映射,进而基于注意力机制聚焦小样本数据的关键特征,同时采用Focal Loss损失函数自适应调整不平衡样本间的训练权重,提升转子振动故障诊断的准确率。仿真结果表明,在训练环境为小样本和在信噪比3.76 dB的噪声环境下,诊断准确率均达到97%以上;在不同类别样本存在不平衡情况下,诊断准确率达到96%以上,验证了在小样本、噪声环境和不平衡样本下均具有良好的故障诊断性能。 展开更多
关键词 故障诊断 卷积神经网络 长短期记忆网络 注意力机制 电机转子 不同类别样本失衡 小样本
在线阅读 下载PDF
基于深度学习的旋转机械小样本故障诊断方法研究综述
18
作者 吴轲 吴军 +2 位作者 舒启明 沈卫明 宋文斌 《中国舰船研究》 北大核心 2025年第2期3-19,共17页
[目的]深度学习在旋转机械故障诊断领域展示出显著潜力,但因工程实践中训练样本难以获取,导致基于深度学习的故障诊断方法存在泛化性弱、诊断精度低等问题。小样本故障诊断方法,凭借在有限数据条件下故障信息有效挖掘的能力,逐渐成为学... [目的]深度学习在旋转机械故障诊断领域展示出显著潜力,但因工程实践中训练样本难以获取,导致基于深度学习的故障诊断方法存在泛化性弱、诊断精度低等问题。小样本故障诊断方法,凭借在有限数据条件下故障信息有效挖掘的能力,逐渐成为学术界和工程界研究的热点。[方法]通过回顾并总结小样本学习方法在旋转机械故障诊断中的最新研究成果,阐述小样本故障诊断的任务定义和主要学习方法。在此基础上,根据不同的技术原理,将现有小样本故障诊断方法归纳为元学习、迁移学习、领域泛化、数据增强和自监督学习5类,并分析各类方法原理、应用及优缺点。[结果]各类方法在小样本故障诊断领域已取得一定成效,但在实际应用中仍存在诸多局限性,如元学习计算资源需求大、迁移学习受域间相似性限制等。[结论]未来在小样本故障诊断领域应探索数据治理、多模态学习、联邦学习以及机理-数据混合驱动等方法,克服现有方法的局限性,进一步提升小样本故障诊断的可靠性。 展开更多
关键词 旋转机械 故障分析 故障诊断 小样本 元学习 迁移学习 领域泛化 数据增强 自监督学习
在线阅读 下载PDF
基于Glow-ECNN模型的小样本滚动轴承故障诊断方法
19
作者 刘晓波 陈荣辉 +2 位作者 顾凯 任密蜂 韩晓明 《控制工程》 北大核心 2025年第7期1336-1344,共9页
针对实际工业生产中滚动轴承的故障样本不足导致故障诊断不够准确的问题,将添加了高效通道注意力(efficient channel attention,ECA)机制的卷积神经网络模型(即ECNN模型)与生成流(generative flow,Glow)模型相结合,提出了基于Glow-ECNN... 针对实际工业生产中滚动轴承的故障样本不足导致故障诊断不够准确的问题,将添加了高效通道注意力(efficient channel attention,ECA)机制的卷积神经网络模型(即ECNN模型)与生成流(generative flow,Glow)模型相结合,提出了基于Glow-ECNN模型的故障诊断方法。首先,通过连续小波变换将一维故障振动信号转换为包含时频特征信息的二维时频图像;然后,将时频图像输入Glow模型中进行数据增强,生成足量的且与原始时频图像具有相似分布的时频图像,并将生成时频图像与原始时频图像共同作为训练样本;最后,通过添加了ECA的ECNN模型对故障进行分类。实验结果表明,所提方法在小样本条件下对滚动轴承的故障诊断准确率可以达到99%,所提方法是可行且有效的。 展开更多
关键词 故障诊断 小样本 数据增强 卷积神经网络 Glow模型
在线阅读 下载PDF
基于M2-MHA Block轻量化模型的小样本跨工况轴承故障诊断
20
作者 邓兴超 朱冠华 +2 位作者 张清华 张发振 赵乾惠 《机床与液压》 北大核心 2025年第7期31-39,共9页
针对轴承故障诊断中存在的训练数据不充分、模型泛化能力差以及计算复杂度大等问题,提出一种基于轻量化卷积神经网络的小样本跨工况轴承故障诊断方法。采用原始振动信号与量纲一量辅助数据集的并行输入方式,搭建基于深度可分离卷积的多... 针对轴承故障诊断中存在的训练数据不充分、模型泛化能力差以及计算复杂度大等问题,提出一种基于轻量化卷积神经网络的小样本跨工况轴承故障诊断方法。采用原始振动信号与量纲一量辅助数据集的并行输入方式,搭建基于深度可分离卷积的多输入多尺度(M2)特征提取架构,避免了仅使用原始振动信号可能导致的特征不充分问题。此外,提出一种多头注意力块(MHA Block),以提升训练效率和诊断性能。最后,通过迁移学习技术实现了基于小样本的跨工况诊断,并在凯斯西储大学数据集上进行实验验证。结果表明:所提方法在源域下的平均诊断精度达99.8%,且模型参数量和模型大小仅分别为28 789和540.5 kB;在小样本跨工况迁移诊断中,采用100个样本进行训练、500个样本进行测试,平均诊断精度高达99.3%;文中所提方法能够在低计算量条件下,实现高准确率与良好的泛化性能。 展开更多
关键词 故障诊断 轻量化 多输入多尺度 多头注意力块 小样本 跨工况
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 … 9 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