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G-YOLO网络的滚动轴承故障诊断方法

武煜坤, 宁少慧, 任永磊, 王延松

噪声与振动控制 2023, 43 (5): 161-166.

摘要（172）

PDF（pc）（1608KB）（151）

滚动轴承是旋转机械设备中非常重要的零部件，将深度学习在目标检测和图像分类领域内的优势用于轴承故障诊断，提出G-YOLO智能诊断模型。首先利用格拉姆角场将轴承的时域振动信号转化为特征图像，其次将特征图像输入到G-YOLO智能诊断模型中，通过研究转化参数、网络结构、模型参数等得到最优结果。为了验证模型的优越性，采用西储大学轴承数据集中几组对应不同直径的具有同一类故障轴承的数据进行试验，同时引入目标检测领域内精确率、召回率、F1 分数、均值平均精度4 种指标对G-YOLO模型诊断结果进行评估，平均精确率达95.36 %，召回率达到96 %，证明了该方法的有效性与可行性。

相关文章 | 多维度评价

Select

2. 基于 MED和循环域解调的多故障特征提取

王志坚，韩振南，宁少慧，李延峰

噪声与振动控制 2015, 35 (4): 129-132. DOI: 10.3969/j.issn.1006-1335.2015.04.029

摘要（184）

PDF（pc）（1466KB）（1157）

针对强背景噪声环境下齿轮箱故障特征信号往往被噪声淹没等问题，提出最小熵反褶积（Minimum entropydeconvolution，MED）和循环域解调的方法提取齿轮箱故障特征。通过仿真信号发现循环自相关函数解调在强背景噪声下不具有免疫性，为了剔除噪声的干扰，提取故障特征信息，先用 MED作为滤波器，以最大峭度值作为滤波的终止条件，通过仿真信号验证其强大的降噪功能，同时用提出的方法对强背景噪声下的齿轮箱多故障试验台振动信号进行降噪处理，对降噪后的信号进行循环自相关函数解调分析，成功提取出故障特征，验证此方法的可靠性。