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. 基于多分支卷积神经网络的轴承变工况故障诊断

王贡献, 付泽, 胡志辉, 张淼

噪声与振动控制 2023, 43 (6): 135-141.

摘要（108）

PDF（pc）（2182KB）（126）

针对采用单信号为输入的滚动轴承智能故障诊断方法存在诊断精度低、噪声鲁棒性差和难以适用于变工况等问题，提出一种多分支卷积神经网络(MBCNN)用于轴承故障诊断。该方法基于多尺度均值化对轴承振动信号进行重构，利用MBCNN的多个并行的分支从重构子信号中提取丰富互补的故障特征，采用残差学习和全局平均池化层改善模型的训练性能，建立基于微调的迁移学习策略以实现变工况故障诊断，并进行实验验证和对比分析。结果表明：所提出方法在变噪声实验中识别准确率为97.1 %～100 %，在不同迁移路径上诊断准确率高于98.8 %，证明该方法具有良好的抗噪声能力和跨域故障诊断效果。

相关文章 | 多维度评价

Select

2. 基于移动多尺度重构的交互式能量熵齿轮故障诊断

王贡献徐志海胡志辉向磊张淼

噪声与振动控制 2023, 43 (2): 147-153.

摘要（117）

PDF（pc）（2296KB）（835）

为精确提取振动信号中表征齿轮故障类型与程度的敏感特征，提出一种基于移动多尺度重构的交互式能量熵（Moving Multi-scale Reconstruction Based Interactive Energy Entropy，MMR-IEE）齿轮故障诊断方法。通过移动均值重构获得齿轮振动信号在不同尺度下重构信号，利用相邻数据点构成滑动窗口使振动信号的信息提取更加充分；计算不同尺度通道下的原始信号与重构信号能量分布，采用交互式叠加法获得的特征向量表征因故障而导致的振动信号能量突变。在此基础上，结合k 最邻近（k-Nearest Neighbor，kNN）模式分类器，提出一种新的齿轮故障诊断方法，并将提出的方法应用于齿轮实验数据分析。结果表明，MMR-IEE 方法有强故障特征提取能力，不同转速与不同工况下，齿轮故障诊断准确率达到99 %。