排序方式: 共有16条查询结果,搜索用时 125 毫秒
1.
2.
针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。 相似文献
3.
针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。 相似文献
4.
针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络(convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM)模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。 相似文献
5.
针对滚动轴承寿命状态识别过程中,单一传感器蕴含的信息不能全面反映寿命状态的问题,文章提出了一种基于信息融合的滚动轴承寿命状态识别方法。该方法首先采用多路卷积层提取不同传感器的数据特征信息,克服单一信息源的局限性;然后采用多层卷积、池化交替级联的方式,实现多源信息的特征值深度融合,最后采用全连接和多分类函数,实现动轴承的寿命状态识别。通过不同方法的对比实验,结果表明了所提方法能够提高滚动轴承寿命状态识别率,具有较好的可行性。 相似文献
6.
7.
针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于相空间欧式距离相关性(phase Euclidean distance cross-correlation, PEDCC)指标和多通道卷积长短时记忆网络(multichannel convolutional neural long short term memory network, MCRNN)的状态识别方法。首先将正常轴承样本信号进行相空间重构,计算样本内重构后相邻数据之间的欧式距离,并将样本内的所有欧氏距离构成距离向量;然后利用互相关函数计算其余样本距离向量与正常样本距离向量之间的相关性,并将其作为轴承退化指标;最后利用所建立的PEDCC退化指标对轴承状态进行划分,将其输入到MCRNN网络中进行退化状态识别。其中MCRNN网络在不同通道中分别采取了不同卷积核,不同激活函数,以便于提取轴承振动信号的多尺度特征。通过轴承全寿命数据集对所提退化指标及网络模型的实用性进行验证,试验证明所提出的方法能更精确的实现轴承的退化状态识别。 相似文献
8.
9.
套圈内圆磨削圆度误差复映规律分析与对策 总被引:2,自引:0,他引:2
根据内圆磨削圆度误差复映原理,在假定磨削系统是静态的情况下,建立了内圆磨削圆度误差复映规律数学模型,讨论分析了工件转数对内圆磨削圆度误差复映的影响,提出将工件电机改为变频无级调速,根据磨削前内圆形状误差的大小设定转速,对解决圆度误差是有效、可行的。 相似文献
10.
针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法.首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型.为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术.最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别. 相似文献