检索结果-维普期刊中文期刊服务平台

改进的GAN和迁移学习的轴承故障诊断方法被引量：1: 1; 作者郝旺身冀科伟 +1 位作者杜应军韦广《机械设计与制造》北大核心 2025年第1期140-143,148,共5页; 针对实际设备运行中轴承故障样本往往比较匮乏,传统的人工智能算法越来越难以满足实际情况故障诊断需要的问题,提出了一种改进的生成对抗神经网络模型,并结合迁移学习提出了一种智能故障诊断方法。该方法将机械故障时所采集的原始数据... 展开更多; 关键词轴承故障样本生成迁移学习生成式对抗网络卷积神经网络; 在线阅读下载PDF 职称材料

声学成像和深度学习的诊断与定位方法被引量：5: 2; 作者冀科伟杜应军 +1 位作者韦广郝旺身《噪声与振动控制》 CSCD 北大核心 2023年第1期105-109,134,共6页; 针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声... 展开更多; 关键词故障诊断噪声源定位声学反卷积算法深度学习卷积神经网络; 在线阅读下载PDF 职称材料

SGMD-MOMEDA滚动轴承故障特征提取方法研究被引量：2: 3; 作者曹亚磊杜应军 +3 位作者韦广董辛旻高丽鹏刘雨曦《机械强度》 CAS CSCD 北大核心 2022年第6期1279-1285,共7页; 针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution ... 展开更多; 关键词辛几何模态分解辛几何分量多点最优最小熵解卷积调整特征提取滚动轴承故障诊断; 在线阅读下载PDF 职称材料

全矢与SGMD-FastICA的轴承故障诊断被引量：1: 4; 作者曹亚磊杜应军 +2 位作者韦广董辛旻刘洋《组合机床与自动化加工技术》北大核心 2022年第4期79-82,87,共5页; 针对滚动轴承故障诊断中存在的故障信号特征不全面且易被噪声污染等问题,基于全矢和辛几何模态分解(SGMD),提出了全矢与SGMD-FastICA方法。首先,使用SGMD对水平方向X和竖直方向Y的故障信号进行分解,并通过综合指标将分解信号分为故障重... 展开更多; 关键词故障诊断滚动轴承辛几何模态分解全失谱; 在线阅读下载PDF 职称材料

题名改进的GAN和迁移学习的轴承故障诊断方法被引量：1: 1; 作者郝旺身冀科伟杜应军韦广; 机构郑州大学机械与动力工程学院叶县国博大石崖风力发电有限公司; 出处《机械设计与制造》北大核心 2025年第1期140-143,148,共5页; 基金河南省科技攻关项目(202102210075)。; 文摘针对实际设备运行中轴承故障样本往往比较匮乏,传统的人工智能算法越来越难以满足实际情况故障诊断需要的问题,提出了一种改进的生成对抗神经网络模型,并结合迁移学习提出了一种智能故障诊断方法。该方法将机械故障时所采集的原始数据与大量源域数据通过生成对抗网络中得到大量与原始数据相似的新样本数据,然后从新样本数据中学习特征优化神经网络的参数,并通过样本的分布相应的调节神经网络的结构,最后,将部分原始故障数据输入已训练好的神经网络,得到诊断结果。实验结果表明,所提方法较传统的深度学习和迁移学习在诊断准确率上分别提高了28.10%和24.42%,能够为实际制造中轴承故障诊断任务提供可行的解决方案。; 关键词轴承故障样本生成迁移学习生成式对抗网络卷积神经网络; Keywords Bearing Failure Sample Generation Transfer Learning Generative Adversarial Network Convolutional Neural Network; 分类号 TH16 [机械工程—机械制造及自动化] TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名声学成像和深度学习的诊断与定位方法被引量：5: 2; 作者冀科伟杜应军韦广郝旺身; 机构郑州大学机械与动力工程学院叶县国博大石崖风力发电有限公司; 出处《噪声与振动控制》 CSCD 北大核心 2023年第1期105-109,134,共6页; 基金河南省科技攻关资助项目(202102210075)。; 文摘针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声音信号进行训练分类从而判断故障类型,可兼顾噪声源识别定位以及故障检测的特点,拓展声像识别的应用场景,并进一步推动故障诊断技术在多领域交叉发展。实验结果表明,与传统的基于振动信号的故障诊断方法对比,该方法在设备故障诊断方面的故障识别率达到97.22%,并能够准确识别故障所在位置。; 关键词故障诊断噪声源定位声学反卷积算法深度学习卷积神经网络; Keywords fault diagnosis noise source location acoustic deconvolution algorithm deep learning convolutional neural network; 分类号 TP206.3 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名SGMD-MOMEDA滚动轴承故障特征提取方法研究被引量：2: 3; 作者曹亚磊杜应军韦广董辛旻高丽鹏刘雨曦; 机构郑州大学振动工程研究所叶县国博大石崖风力发电有限公司; 出处《机械强度》 CAS CSCD 北大核心 2022年第6期1279-1285,共7页; 基金国家重点研发计划项目(2016YFF0203100) 河南省重点研发与推广专项(212102210351) 河南省科技攻关项目(202102210075)。; 文摘针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。; 关键词辛几何模态分解辛几何分量多点最优最小熵解卷积调整特征提取滚动轴承故障诊断; Keywords Symplectic geometry mode decomposition Symplectic geometry component Multipoint optimal minimum entropy deconvolution adjusted Feature extraction Rolling bearing fault diagnosis; 分类号 TH17 [机械工程—机械制造及自动化] 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

题名全矢与SGMD-FastICA的轴承故障诊断被引量：1: 4; 作者曹亚磊杜应军韦广董辛旻刘洋; 机构郑州大学振动工程研究所叶县国博大石崖风力发电有限公司; 出处《组合机床与自动化加工技术》北大核心 2022年第4期79-82,87,共5页; 基金国家重点研发计划项目(2016YFF0203104) 河南省重点研发与推广专项(212102210351)。; 文摘针对滚动轴承故障诊断中存在的故障信号特征不全面且易被噪声污染等问题,基于全矢和辛几何模态分解(SGMD),提出了全矢与SGMD-FastICA方法。首先,使用SGMD对水平方向X和竖直方向Y的故障信号进行分解,并通过综合指标将分解信号分为故障重构信号和噪声重组信号;其次,通过FastICA实现对故障重构信号与噪声重组信号的盲源分离;最后,利用全失谱技术对水平方向和竖直方向的盲源分离的有效分量进行融合,并使用Teager能量算子(TEO)对全矢融合信号进行解调分析。通过对滚动轴承振动信号的实验和对比分析,验证了所提方法的优越性和可靠性,在滚动轴承故障诊断领域具有一定的实用价值。; 关键词故障诊断滚动轴承辛几何模态分解全失谱; Keywords fault diagnosis rolling bearing symplectic geometric mode decomposition full vector spectrum; 分类号 TH133.3 [机械工程—机械制造及自动化] TG66 [金属学及工艺—金属切削加工及机床]; 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	改进的GAN和迁移学习的轴承故障诊断方法	郝旺身冀科伟杜应军韦广	《机械设计与制造》北大核心	2025	1	在线阅读下载PDF 职称材料
2	声学成像和深度学习的诊断与定位方法	冀科伟杜应军韦广郝旺身	《噪声与振动控制》 CSCD 北大核心	2023	5	在线阅读下载PDF 职称材料
3	SGMD-MOMEDA滚动轴承故障特征提取方法研究	曹亚磊杜应军韦广董辛旻高丽鹏刘雨曦	《机械强度》 CAS CSCD 北大核心	2022	2	在线阅读下载PDF 职称材料
4	全矢与SGMD-FastICA的轴承故障诊断	曹亚磊杜应军韦广董辛旻刘洋	《组合机床与自动化加工技术》北大核心	2022	1	在线阅读下载PDF 职称材料