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
1
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
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
1
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
职称材料
题名
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
1
作者
郭盼盼
张文斌
崔奔
郭兆伟
赵春林
尹治棚
刘标
机构
昆明理工大学机电工程学院
昆明学院机电工程学院
天津军粮城发电
有限公司
北方民族大学计算机科学与工程学院
国家能源集团国能思达科技有限公司
出处
《振动工程学报》
北大核心
2025年第1期96-108,共13页
基金
国家自然科学基金资助项目(51769007)
云南省地方本科高校基础研究联合专项重点项目(202001BA070001-002)
+1 种基金
兴滇英才支持计划资助项目(YNWR-QNBJ-2018-349)
云南省地方高校联合专项面上项目(202001BA070001-015)。
文摘
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。
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
Keywords
fault diagnosis
rolling bearing
multi-working conditions
Gramian angular field
enhanced convolutional neural network
分类号
TH165.3 [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
作者
出处
发文年
被引量
操作
1
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
郭盼盼
张文斌
崔奔
郭兆伟
赵春林
尹治棚
刘标
《振动工程学报》
北大核心
2025
2
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
