检索结果

Select

1. 基于伪标签深度学习的半监督滚动轴承故障诊断模型

宋宇航, 马萍, 李建军, 张宏立

噪声与振动控制 2024, 44 (2): 102-107.

摘要（67）

PDF（pc）（1929KB）（212）

针对实际工程应用中被标记的滚动轴承故障样本收集困难，传统诊断模型精度较低的问题，提出一种伪标签学习融合参数迁移深度学习网络的半监督滚动轴承故障诊断模型。首先将ImageNet 数据集上预训练的残差网络（Residual Network，ResNet）模型参数迁移至本文模型中作为初始参数，并使用不同学习率微调网络层参数以加快模型收敛速度；随后引入伪标签半监督学习，使用标签数据训练模型并对无标记数据进行预测以生成伪标签；最后使用标签数据以及伪标签数据训练参数迁移后的ResNet 模型，并测试诊断效果。对两种滚动轴承故障数据进行半监督下故障诊断实验及跨域故障诊断实验。实验结果表明，在具有大量未标记样本集下，所提出模型可迁移至不同设备完成诊断，具有较强的鲁棒性，可用于处理复杂工业环境中的故障诊断问题。

相关文章 | 多维度评价

Select

2. 基于谱图小波自适应阈值降噪的滚动轴承早期故障诊断

梁伟龙, 马萍, 王小荣, 张宏立

噪声与振动控制 2023, 43 (6): 117-122.

摘要（77）

PDF（pc）（2194KB）（122）

针对滚动轴承早期故障信息微弱，被强大噪声干扰的问题，基于谱图理论在图谱域构建小波系数以分析图信号中包含信息的思想，提出一种谱图小波自适应阈值降噪（Spectral Graph Wavelet-adaptive Threshold Denoising，SGW-ATD）的滚动轴承早期故障诊断方法。首先，将一维振动信号转换为路图信号，引入谱图小波变换将路图信号分解。其次，保留低频尺度系数，构建自适应阈值对高频系数进行阈值处理，通过谱图小波逆变换得到降噪信号。最后，为进一步抑制噪声，求取降噪信号的自相关函数，通过对自相关函数进行包络谱分析实现故障特征提取。将所提方法与其他几种经典降噪方法进行对比；结果表明，所提方法得到的降噪信号信噪比更高，可以更有效地实现滚动轴承早期微弱故障诊断

相关文章 | 多维度评价

Select

3. 基于图卷积神经网络的滚动轴承故障诊断

谭启瑜, 马萍, 张宏立

噪声与振动控制 2023, 43 (6): 101-108.

摘要（303）

PDF（pc）（2320KB）（307）

滚动轴承在噪声环境下发生故障时其振动信号往往呈现出非平稳、特征混叠、故障特征易被噪声淹没等特点，为更有效地挖掘其在强噪声环境中的故障特征，提高诊断准确率，提出一种基于图卷积神经网络（GraphConvolutional Networks，GCN）的滚动轴承故障诊断方法。首先，通过快速傅里叶变换（Fast Fourier Transform，FFT）将振动信号转化为频域信号，并根据变换后的频谱定义节点和边，将故障信号构造为全连接图；然后，利用GCN提取全连接图的节点特征；最后，使用全连接层和Softmax 作为分类器对提取的节点特征进行分类识别。实验结果表明，所提方法与机器学习、深度学习和其他图神经网络诊断模型相比，准确率更高，抗噪性更好，可有效实现强噪声背景下端到端的滚动轴承智能故障诊断。