检索结果

期刊

出版年

关键词

Please wait a minute...

选择:

导出引用
EndNote Ris BibTeX

显示/隐藏图片

Select

1. 基于SENet-MultiHead-BiTCN的轴承故障诊断方法

崔吉强, , 高军伟, , 吴文凯,

噪声与振动控制 2025, 45 (6): 190-195.

摘要（8）

PDF（pc）（2174KB）（7）

针对电动机滚动轴承故障诊断需要提取大量特征，且单方向特征提取不充分导致故障识别准确率低的问题，提出一种双注意力机制和双向时间卷积网络的轴承故障诊断模型。首先，对振动信号进行预处理；然后，将处理好的信号输入压缩激励网络选取对故障诊断有效的特征，减小模型运算量；再将选取的特征输入双向时间卷积网络从正反两个方向提取振动信号在时间序列上的依赖关系；再使用多头注意力机制对提取出的特征重新分配权重；最后，将特征送入全连接层进行故障分类，并使用江南大学轴承故障数据集验证该方法的有效性。实验结果表明，基于SENet-MultiHead-BiTCN的轴承故障诊断方法在数据集上的准确率为99.49 %，满足故障诊断的要求，为轴承故障诊断提供一种新方法。

相关文章 | 多维度评价

Select

2. 基于MA-TCN的导管架式海洋平台故障诊断

吴文凯, 高军伟, 车鲁阳, 段琳, 官晟

噪声与振动控制 2025, 45 (3): 132-137.

摘要（131）

PDF（pc）（2209KB）（185）

针对海洋环境中噪声多采用传统神经网络分析未充分利用数据中时间序列信息的缺陷，提出一种基于多头注意力机制时间卷积网络(Multi-head Attention Mechanism Time Convolutional Networks，MA-TCN)的导管架式海洋平台故障诊断方法。首先，该方法将原始振动信号直接作为模型输入，由时间卷积网络提取时间序列特征，通过残差结构和空洞卷积减轻网络训练时出现的梯度消失问题。随后，利用多头注意力机制为网络不同特征重新赋予权重，强调对故障诊断作用显著的特征信息。最后，将模型特征进行融合输出，实现对导管架式海洋平台的故障诊断。结合海试实验所模拟的11 种工作状态，对所建模型进行可行性验证，并与其他文献中提到的模型进行对比。结果表明，所建模型故障诊断正确率在95 %以上，比其他模型效果更好。