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
3
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
一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络
被引量：
1
1
作者
魏春虎
程峰
+1 位作者
曾玉海
杨世飞
《机电工程》
CAS
北大核心
2024年第8期1364-1375,共12页
图卷积网络的平滑运行会导致其无法通过深度网络堆叠捕获深层信息,为了解决这个问题,提出了一种适用于滚动轴承故障诊断半监督学习分类的多层图卷积注意力融合网络(MGCAN)。首先,采用频域构图法将数据转换为图模型,捕获了数据的内在结...
图卷积网络的平滑运行会导致其无法通过深度网络堆叠捕获深层信息,为了解决这个问题,提出了一种适用于滚动轴承故障诊断半监督学习分类的多层图卷积注意力融合网络(MGCAN)。首先,采用频域构图法将数据转换为图模型,捕获了数据的内在结构信息,将构建好的图数据输入网络,逐层提取特征信息,从浅层到深层逐步加深对数据特征的理解;然后,对每一层图卷积信息进行了有序拼接,同时引入了图注意力机制,使网络能够自动关注对分类任务比较重要的信息,从而提高了网络的性能和鲁棒性;最终,通过迭代学习,网络能够不断优化模型参数,对故障信息进行了准确识别;对不同工作条件下的滚动轴承进行了多次实验,并将该方法与传统的基于深度学习的方法进行了分析比较。研究结果表明:即使在标记数据只有10%的前提下,采用该网络依旧能够达到88%以上的识别准确度,并且适用于匀速和变速等不同的工况。上述结果证明,在选择适当方法保留多层图卷积中的有用信息后,深度图卷积网络可以成为诊断滚动轴承故障的一大利器。
展开更多
关键词
轴承故障诊断
多层图卷积注意力融合网络
多层图卷积信息
图注意力机制
k-近邻图
深度学习
识别准确度
在线阅读
下载PDF
职称材料
预测轴承寿命的gate递归单元特征融合域自适应模型
被引量：
1
2
作者
曾玉海
程峰
+1 位作者
魏春虎
杨世飞
《机电工程》
CAS
北大核心
2024年第4期613-621,共9页
采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征...
采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明:相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。
展开更多
关键词
滚动轴承
剩余使用寿命(RUL)
特征评价
对抗自适应
门控递归单元特征融合领域自适应(GFFDA)模型
数据驱动模型
在线阅读
下载PDF
职称材料
基于特征增强时间序列和Transformer-BiLSTM的低速重载轴承故障诊断
3
作者
许一凡
雪增红
+3 位作者
郭军
程峰
王启峥
王道帅
《机电工程》
2025年第9期1659-1668,共10页
针对低速重载设备滚动轴承故障诊断需要较高的识别准确度和时间效率,且存在故障信息特征提取不充分的问题,提出了一种基于特征增强时间序列(FRTS)和Transformer-BiLSTM的滚动轴承故障诊断方法。首先,对原始数据频域信号进行了低通滤波处...
针对低速重载设备滚动轴承故障诊断需要较高的识别准确度和时间效率,且存在故障信息特征提取不充分的问题,提出了一种基于特征增强时间序列(FRTS)和Transformer-BiLSTM的滚动轴承故障诊断方法。首先,对原始数据频域信号进行了低通滤波处理,对滤波后的信号进行了频域上采样,重构了幅值和相位,增强了故障信息;然后,采用逆傅里叶变换将信号转换为故障特征增强的时域信号,将数据输入Transformer编码器层提取特征,同时引入双向长短时记忆网络(BiLSTM),使网络能够提取信号双向时间序列上的依赖关系;最后,将信号特征池化并传输至全连接层进行了故障分类,使用低速重载轴承实例数据集验证了基于FRTS和Transformer-BiLSTM方法的有效性和可行性,并采用西储大学数据集验证了其泛化能力和鲁棒性。研究结果表明:基于FRTS和Transformer-BiLSTM的轴承故障诊断方法在低速重载轴承实例数据集上的准确率为85.0%,相比于其他传统深度学习模型,其故障识别率更高;在西储大学数据集中,采用该方法时获得诊断准确率达到99.6%。该诊断方法可满足轴承故障诊断的要求,为轴承故障诊断提供了一种新方法。
展开更多
关键词
轴承故障分类识别
深度学习
特征增强时间序列
多头注意力机制
双向长短时记忆网络
信号重构
在线阅读
下载PDF
职称材料
题名
一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络
被引量：
1
1
作者
魏春虎
程峰
曾玉海
杨世飞
机构
江南大学机械工程学院
南京凯奥斯数据技术有限公司
出处
《机电工程》
CAS
北大核心
2024年第8期1364-1375,共12页
基金
国家重点研发计划政府间国际科技创新合作项目(2022YFE014300)
山东省重大科技创新工程自主项目(2019JZZY020111)。
文摘
图卷积网络的平滑运行会导致其无法通过深度网络堆叠捕获深层信息,为了解决这个问题,提出了一种适用于滚动轴承故障诊断半监督学习分类的多层图卷积注意力融合网络(MGCAN)。首先,采用频域构图法将数据转换为图模型,捕获了数据的内在结构信息,将构建好的图数据输入网络,逐层提取特征信息,从浅层到深层逐步加深对数据特征的理解;然后,对每一层图卷积信息进行了有序拼接,同时引入了图注意力机制,使网络能够自动关注对分类任务比较重要的信息,从而提高了网络的性能和鲁棒性;最终,通过迭代学习,网络能够不断优化模型参数,对故障信息进行了准确识别;对不同工作条件下的滚动轴承进行了多次实验,并将该方法与传统的基于深度学习的方法进行了分析比较。研究结果表明:即使在标记数据只有10%的前提下,采用该网络依旧能够达到88%以上的识别准确度,并且适用于匀速和变速等不同的工况。上述结果证明,在选择适当方法保留多层图卷积中的有用信息后,深度图卷积网络可以成为诊断滚动轴承故障的一大利器。
关键词
轴承故障诊断
多层图卷积注意力融合网络
多层图卷积信息
图注意力机制
k-近邻图
深度学习
识别准确度
Keywords
bearing fault diagnosis
multi-layer graph convolution attention fusion network(MGCAN)
multi-layer graph convolution information
graph attention mechanism
k-nearest neighbor(KNN)graph
deep learning(DE)
recognition accuracy
分类号
TH133.3 [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
预测轴承寿命的gate递归单元特征融合域自适应模型
被引量：
1
2
作者
曾玉海
程峰
魏春虎
杨世飞
机构
江南大学机械工程学院
南京凯奥斯数据技术有限公司
出处
《机电工程》
CAS
北大核心
2024年第4期613-621,共9页
基金
国家重点研发计划政府间国际科技创新合作项目(2022YFE014300)
山东省重大科技创新工程自主项目(2019JZZY020111)。
文摘
采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明:相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。
关键词
滚动轴承
剩余使用寿命(RUL)
特征评价
对抗自适应
门控递归单元特征融合领域自适应(GFFDA)模型
数据驱动模型
Keywords
rolling bearings
remaining using life(RUL)
feature evaluation
adversarial adaptation
gated recurs
分类号
TH133.3 [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
基于特征增强时间序列和Transformer-BiLSTM的低速重载轴承故障诊断
3
作者
许一凡
雪增红
郭军
程峰
王启峥
王道帅
机构
江南大学机械工程学院
出处
《机电工程》
2025年第9期1659-1668,共10页
基金
国家重点研发计划政府间国际科技创新合作项目(2022YFE014300)。
文摘
针对低速重载设备滚动轴承故障诊断需要较高的识别准确度和时间效率,且存在故障信息特征提取不充分的问题,提出了一种基于特征增强时间序列(FRTS)和Transformer-BiLSTM的滚动轴承故障诊断方法。首先,对原始数据频域信号进行了低通滤波处理,对滤波后的信号进行了频域上采样,重构了幅值和相位,增强了故障信息;然后,采用逆傅里叶变换将信号转换为故障特征增强的时域信号,将数据输入Transformer编码器层提取特征,同时引入双向长短时记忆网络(BiLSTM),使网络能够提取信号双向时间序列上的依赖关系;最后,将信号特征池化并传输至全连接层进行了故障分类,使用低速重载轴承实例数据集验证了基于FRTS和Transformer-BiLSTM方法的有效性和可行性,并采用西储大学数据集验证了其泛化能力和鲁棒性。研究结果表明:基于FRTS和Transformer-BiLSTM的轴承故障诊断方法在低速重载轴承实例数据集上的准确率为85.0%,相比于其他传统深度学习模型,其故障识别率更高;在西储大学数据集中,采用该方法时获得诊断准确率达到99.6%。该诊断方法可满足轴承故障诊断的要求,为轴承故障诊断提供了一种新方法。
关键词
轴承故障分类识别
深度学习
特征增强时间序列
多头注意力机制
双向长短时记忆网络
信号重构
Keywords
classification and identification of bearing faults
deep learning
feature reinforcement time series(FRTS)
multi-head attention
bidirectional long short-term memory(BiLSTM)
signal reconstruction
分类号
TH133.3 [机械工程]
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
一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络
魏春虎
程峰
曾玉海
杨世飞
《机电工程》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
预测轴承寿命的gate递归单元特征融合域自适应模型
曾玉海
程峰
魏春虎
杨世飞
《机电工程》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
3
基于特征增强时间序列和Transformer-BiLSTM的低速重载轴承故障诊断
许一凡
雪增红
郭军
程峰
王启峥
王道帅
《机电工程》
2025
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
