检索结果

Select

1. 基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

古莹奎, 陈家芳, 石昌武

噪声与振动控制 2024, 44 (3): 95-100.

摘要（12）

PDF（pc）（2226KB）（7）

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布，且在构建健康因子时还需要专家经验进行人工提取等问题，提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取，并使用核主成分分析法进一步降维，以提高健康因子的指标稳定性；然后在堆栈去噪自编码器中加入流形正则化，最大程度保留编码器隐藏层内部的数据分布结构，提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命，并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明，提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

相关文章 | 多维度评价

Select

2. 基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

古莹奎, 石昌武, 陈家芳

噪声与振动控制 2024, 44 (1): 111-118.

摘要（121）

PDF（pc）（2678KB）（458）

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题，采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强，融合AlexNet 卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图，按比例划分训练集与测试集，将训练集样本与随机向量输入到深度卷积生成对抗网络模型中，交替训练生成器与判别器，达到纳什平衡，生成与原始样本类似的生成样本，从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型，完成行星齿轮箱的故障识别。实验结果表明，所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度，使之达到99.15 %，且能使收敛速度更快。

相关文章 | 多维度评价

Select

3. 复合式流体滤波器的衰减性能分析

罗先聪1，周知进1,2，古莹奎 1，熊雄3

噪声与振动控制 2019, 39 (3): 35-39. DOI: 10.3969/j.issn.1006-1355.2019.03.007

摘要（138）

PDF（pc）（1438KB）（720）

摘要：液压系统压力脉动对执行机构精度与性能具有很大影响，因而压力脉动衰减与抑制有重要意义。基于电液比拟的方法，结合K型和H型各自的滤波特点，提出一种以K型和H型串联的分支谐振滤波器，建立了流体滤波器的等效电路图。结合液压系统的特性，分析新型复合式流体滤波器结构参数和管道长度对插入损失的影响。数值仿真表明：该衰减器有两个衰减峰值，低频衰减由H型部分主导，高频与K型部分相关，加装衰减器应靠近负载。结合实际工况，合理的选择结构参数，可以达到宽频的效果。