检索结果-维普期刊中文期刊服务平台

基于深度学习的液压监测系统蓄能装置故障诊断被引量：13: 1; 作者姜保军王帅杰董绍江《组合机床与自动化加工技术》北大核心 2019年第9期89-92,共4页; 为了提高液压检测系统故障识别的准确率,提高对液压系统中的蓄能装置故障的诊断率,提出了一种基于堆栈稀疏自编码器的深度学习算法。该方法采用希尔伯特-黄变换和小波变换对压力信号的特征进行提取,然后对堆栈稀疏自编码器(SSAE)进行训... 展开更多; 关键词深度学习蓄能装置故障诊断; 在线阅读下载PDF 职称材料

基于WPD-CNN二维时频图像的滚动轴承故障诊断被引量：16: 2; 作者陈里里付志超 +1 位作者凌静董绍江《组合机床与自动化加工技术》北大核心 2021年第3期57-60,65,共5页; 滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积... 展开更多; 关键词故障诊断时频图像小波包分解卷积神经网络; 在线阅读下载PDF 职称材料

堆栈稀疏自编码器的风力机锥齿轮故障诊断被引量：2: 3; 作者陈里里司吉兵董绍江《机械设计与制造》北大核心 2021年第3期161-164,共4页; 针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入... 展开更多; 关键词时域分析样本熵特征提取堆栈稀疏自编码器 Softmax分类器故障诊断; 在线阅读下载PDF 职称材料

基于小波分解和样本熵的GA-SVM齿轮箱故障诊断被引量：15: 4; 作者姜保军曹浩《组合机床与自动化加工技术》北大核心 2019年第11期78-82,共5页; 针对齿轮箱故障信号的复杂性和非平稳性,提出了一种基于小波分解和样本熵的遗传算法支持向量机(GA-SVM)故障诊断方法。采用小波分解对信号进行三层分解并提取其高频系数与低频系数,然后计算其系数的样本熵值并构建特征向量,最后将其输... 展开更多; 关键词小波分解样本熵遗传优化算法; 在线阅读下载PDF 职称材料

基于深度置信网络的液压泵内泄漏状态的诊断被引量：2: 5; 作者徐活耀陈里里何颖《机床与液压》北大核心 2020年第16期212-217,共6页; 针对液压信号的高度复杂性以及难以识别的特点,提出一种基于深度置信网络的方法用于液压泵内泄漏状态的诊断。首先利用小波变换和HHT对压力信号和流量信号进行提取特征,然后利用堆叠RBM网络对原始特征集进行优化,并提取高级的融合特征,... 展开更多; 关键词液压泵内泄漏小波变换 HHT RBM DBN; 在线阅读下载PDF 职称材料

基于堆栈稀疏自编码器的滚动轴承故障诊断被引量：8: 6; 作者徐活耀陈里里《机床与液压》北大核心 2020年第14期190-194,共5页; 针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征... 展开更多; 关键词滚动轴承堆栈自编码器 Softmax层深度神经网络故障诊断; 在线阅读下载PDF 职称材料

基于堆栈稀疏自编码器的齿轮箱故障诊断被引量：3: 7; 作者任君兰曹浩司吉兵《制造技术与机床》北大核心 2020年第5期49-53,共5页; 针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提... 展开更多; 关键词齿轮箱故障稀疏自编码器特征优化故障诊断; 在线阅读下载PDF 职称材料

题名基于深度学习的液压监测系统蓄能装置故障诊断被引量：13: 1; 作者姜保军王帅杰董绍江; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室; 出处《组合机床与自动化加工技术》北大核心 2019年第9期89-92,共4页; 基金国家自然科学基金(51775072) 重庆市教委科学技术研究项目(KJ1500525) +1 种基金重庆市社会事业与民生保障科技创新专项项目(cstc2017shmsA30016); 文摘为了提高液压检测系统故障识别的准确率,提高对液压系统中的蓄能装置故障的诊断率,提出了一种基于堆栈稀疏自编码器的深度学习算法。该方法采用希尔伯特-黄变换和小波变换对压力信号的特征进行提取,然后对堆栈稀疏自编码器(SSAE)进行训练。将训练好的模型连接Softmax分类器,实现对蓄能装置的最佳压力、压力略微减轻、压力严重减轻、接近完全失效的4类压力状态进行诊断。实验结果表明,该深度学习神经网络比机器学习的准确率更高,可以达到98.3%,能够更好的识别液压系统蓄能装置的故障类型。; 关键词深度学习蓄能装置故障诊断; Keywords deep learning energy storage device fault diagnosis; 分类号 TH137 [机械工程—机械制造及自动化] TG506 [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

题名基于WPD-CNN二维时频图像的滚动轴承故障诊断被引量：16: 2; 作者陈里里付志超凌静董绍江; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室重庆市勘测院; 出处《组合机床与自动化加工技术》北大核心 2021年第3期57-60,65,共5页; 基金国家自然科学基金(51775072) 重庆市基础与前沿研究计划项目(cstc2016jcyjA0526) 重庆市社会事业与民生保障科技创新专项项目(cstc2017shmsA30016)。; 文摘滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积神经网络(CNN)模型自动提取有效特征,并输入Softmax分类器进行训练;最后使用训练好的分类器完成滚动轴承故障诊断任务。实验结果表明,10类故障数据的识别准确率均在98.3%左右,高于其他深度学习和传统方法,因此所提出的故障诊断模型能有效地进行滚动轴承复杂信号的特征提取以及分类任务。; 关键词故障诊断时频图像小波包分解卷积神经网络; Keywords fault diagnosis time-frequency images wavelet packet decomposition convolutional neural network; 分类号 TH162 [机械工程—机械制造及自动化] TG65 [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

题名堆栈稀疏自编码器的风力机锥齿轮故障诊断被引量：2: 3; 作者陈里里司吉兵董绍江; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室; 出处《机械设计与制造》北大核心 2021年第3期161-164,共4页; 基金国家自然基金项目(51775072) 重庆市基础与前沿研究计划项目(cstc2016jcyjA0526) +1 种基金重庆市社会事业与民生保障科技创新专项项目(cstc2017shmsA30016)。; 文摘针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分类器中进行分类识别。通过实验结果表明,和文中其他浅层学习模型相比,SSAE能够从齿轮振动信号中有效学习到所需的深层本质特征,拥有更高的识别准确率,因而证实了该方法优越性。; 关键词时域分析样本熵特征提取堆栈稀疏自编码器 Softmax分类器故障诊断; Keywords Time Domain Analysis Sample Entropy Feature Extraction Stacked Sparse Autoencoder Softmax Cla-ssifier Fault Diagnosis; 分类号 TH16 [机械工程—机械制造及自动化] TH132.4 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于小波分解和样本熵的GA-SVM齿轮箱故障诊断被引量：15: 4; 作者姜保军曹浩; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室; 出处《组合机床与自动化加工技术》北大核心 2019年第11期78-82,共5页; 基金重庆市基础与前沿研究计划项目(cstc2016jcyjA0526) 重庆市教委科学技术研究项目(KJ1600519) 重庆市社会事业与民生保障科技创新专项项目(cstc2017shmsA30016); 文摘针对齿轮箱故障信号的复杂性和非平稳性,提出了一种基于小波分解和样本熵的遗传算法支持向量机(GA-SVM)故障诊断方法。采用小波分解对信号进行三层分解并提取其高频系数与低频系数,然后计算其系数的样本熵值并构建特征向量,最后将其输入到经过遗传算法(GA)优化后的支持向量机中进行识别。实验表明,对4种工况下6类齿轮箱状态样本进行分类,通过GA算法优化后的SVM模型具有较高的识别准确率且高于文中其他识别模型。; 关键词小波分解样本熵遗传优化算法; Keywords wavelet decomposition sample entropy genetic optimization algorithm; 分类号 TH165.3 [机械工程—机械制造及自动化] TG506 [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

题名基于深度置信网络的液压泵内泄漏状态的诊断被引量：2: 5; 作者徐活耀陈里里何颖; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室; 出处《机床与液压》北大核心 2020年第16期212-217,共6页; 文摘针对液压信号的高度复杂性以及难以识别的特点,提出一种基于深度置信网络的方法用于液压泵内泄漏状态的诊断。首先利用小波变换和HHT对压力信号和流量信号进行提取特征,然后利用堆叠RBM网络对原始特征集进行优化,并提取高级的融合特征,最后使用BP进行预测。实验结果表明:DBN能够有效地提取原始特征集的内在特征,使液压信号得到了更好的表达;DBN对液压泵内泄漏状态识别精度达到了98.77%;相比于SSAE和H-ELM分类器,DBN对液压泵内泄漏状态有更好的辨识能力和稳定性。; 关键词液压泵内泄漏小波变换 HHT RBM DBN; Keywords Hydraulic pump internal leakage Wavelet transform Hilbert-Huang transform(HHT) Restricted boltzmann machines(RBM) Deep belief network(DBN); 分类号 TH133 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于堆栈稀疏自编码器的滚动轴承故障诊断被引量：8: 6; 作者徐活耀陈里里; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室; 出处《机床与液压》北大核心 2020年第14期190-194,共5页; 文摘针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。; 关键词滚动轴承堆栈自编码器 Softmax层深度神经网络故障诊断; Keywords Rolling bearing Stacked sparse autoencoder Softmax layer Deep neural network Fault diagnosis; 分类号 TH133 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于堆栈稀疏自编码器的齿轮箱故障诊断被引量：3: 7; 作者任君兰曹浩司吉兵; 机构重庆交通大学机电与车辆工程学院重庆交通大学城市轨道车辆系统集成与控制重点实验室; 出处《制造技术与机床》北大核心 2020年第5期49-53,共5页; 基金国家自然基金项目(51775072) 重庆市基础与前沿研究计划项目(cstc2016jcyjA0526) 重庆市教委科学技术研究项目(KJ1600519)。; 文摘针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提取出表征信号本质信息的特征,最后将其输入到Softmax分类器中实现齿轮箱故障的分类。实验结果表明,该方法在相同工况和混合工况下的均能达到较高的识别精度,在混合工况下,其识别精度达到99.5%,高于文中提出的其他模型,因此该方法能有效地用于齿轮箱故障诊断。; 关键词齿轮箱故障稀疏自编码器特征优化故障诊断; Keywords gear box fault sparse auto-encoder feature optimization fault diagnosis; 分类号 TP216 [自动化与计算机技术—检测技术与自动化装置] TH83 [机械工程—精密仪器及机械]; 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	基于深度学习的液压监测系统蓄能装置故障诊断	姜保军王帅杰董绍江	《组合机床与自动化加工技术》北大核心	2019	13	在线阅读下载PDF 职称材料
2	基于WPD-CNN二维时频图像的滚动轴承故障诊断	陈里里付志超凌静董绍江	《组合机床与自动化加工技术》北大核心	2021	16	在线阅读下载PDF 职称材料
3	堆栈稀疏自编码器的风力机锥齿轮故障诊断	陈里里司吉兵董绍江	《机械设计与制造》北大核心	2021	2	在线阅读下载PDF 职称材料
4	基于小波分解和样本熵的GA-SVM齿轮箱故障诊断	姜保军曹浩	《组合机床与自动化加工技术》北大核心	2019	15	在线阅读下载PDF 职称材料
5	基于深度置信网络的液压泵内泄漏状态的诊断	徐活耀陈里里何颖	《机床与液压》北大核心	2020	2	在线阅读下载PDF 职称材料
6	基于堆栈稀疏自编码器的滚动轴承故障诊断	徐活耀陈里里	《机床与液压》北大核心	2020	8	在线阅读下载PDF 职称材料
7	基于堆栈稀疏自编码器的齿轮箱故障诊断	任君兰曹浩司吉兵	《制造技术与机床》北大核心	2020	3	在线阅读下载PDF 职称材料