期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
多源数据融合与改进注意力机制的轴承智能故障诊断 被引量:4
1
作者 邢芷恺 刘永葆 +1 位作者 王强 李俊 《推进技术》 EI CAS CSCD 北大核心 2023年第5期298-306,共9页
单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作... 单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。 展开更多
关键词 多源数据融合 注意力机制 卷积神经网络 特征提取 故障诊断 滚动轴承
原文传递
Cat Boost算法在舰船轴承故障诊断领域的应用
2
作者 邢芷恺 刘永葆 +1 位作者 王强 李俊 《舰船科学技术》 北大核心 2022年第23期117-122,共6页
轴承是舰船故障发生的常见位置,针对现有机器学习方法在舰船轴承故障诊断领域中存在多分类精度差、运算效率低等问题,提出一种基于Cat Boost(category boosting)算法的轴承诊断技术。首先,对振动信号进行时域分析、频域分析以及EMD(empi... 轴承是舰船故障发生的常见位置,针对现有机器学习方法在舰船轴承故障诊断领域中存在多分类精度差、运算效率低等问题,提出一种基于Cat Boost(category boosting)算法的轴承诊断技术。首先,对振动信号进行时域分析、频域分析以及EMD(empirical mode decomposition)分解,得到截选振动信号段的特征指标;其次,利用Cat Boost算法在所提取特征中进行筛选,通过基尼指数快速建立树结构并进行排序。最后,选取不同维数特征输入进行模型算法评价,并与传统方法分类的准确率进行对比。试验结果表明,该方法在处理滚动轴承故障多分类问题上故障特征提取更为有效,识别效果明显高于其他传统算法。 展开更多
关键词 滚动轴承 Cat Boost算法 基尼指数 特征提取 故障诊断
下载PDF
基于能量矩、EMD和SOM神经网络结合的智能诊断研究 被引量:1
3
作者 夏孟阳 邢芷恺 +1 位作者 陈浩 应银生 《兵器装备工程学报》 CSCD 北大核心 2022年第S01期342-346,共5页
提出基于能量矩、EMD-SOM的智能诊断方法,首先将轴承部位原始信号EMD分解得到IMF分量,提取IMF分量的能量矩特征;将提取得到的特征作为SOM网络的输入参数进行模型训练;采用CWRU轴承振动数据进行验证,其准确率可达98%,说明了该方法可以有... 提出基于能量矩、EMD-SOM的智能诊断方法,首先将轴承部位原始信号EMD分解得到IMF分量,提取IMF分量的能量矩特征;将提取得到的特征作为SOM网络的输入参数进行模型训练;采用CWRU轴承振动数据进行验证,其准确率可达98%,说明了该方法可以有效地识别轴承故障,可为设备的状态监测和故障诊断提供理论依据。 展开更多
关键词 转子系统 EMD分解 智能诊断 SOM神经网络
下载PDF
基于SVD和SSA-VMD降噪的轴承故障特征提取 被引量:3
4
作者 邢芷恺 刘永葆 +1 位作者 霍玉鑫 王强 《热能动力工程》 CAS CSCD 北大核心 2022年第9期178-187,共10页
针对强噪声背景下轴承故障特征提取困难的问题,提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD):首先,对原始信号进行奇异值分解(Singular Value Decomposition,SVD)处理,运用奇异值差分谱法选取... 针对强噪声背景下轴承故障特征提取困难的问题,提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD):首先,对原始信号进行奇异值分解(Singular Value Decomposition,SVD)处理,运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号;其次,为防止故障信息丢失,将残余信号进行麻雀算法(Sparrow Search Algorithm,SSA)优化的变分模态分解(Variational Mode Decomposition,VMD)算法处理,得到最佳的模态个数K和惩罚参数α,选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号,并对信号进行包络分析;最后,通过仿真和试验数据分析得出,该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征,为设备的状态监测和故障诊断提供理论依据。 展开更多
关键词 强噪声背景 联合降噪 特征提取 奇异值分解
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部