咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于MDFF与ISSA的滚动轴承故障声发射诊断 收藏

基于MDFF与ISSA的滚动轴承故障声发射诊断

AE Diagnosis of rolling bearing faults based on MDFF and ISSA

作     者:魏巍 王之海 柳小勤 冯正江 李佳慧 WEI Wei;WANG Zhihai;LIU Xiaoqin;FENG Zhengjiang;LI Jiahui

作者机构:昆明理工大学机电工程学院昆明650500 云南省先进装备智能制造技术重点实验室昆明650500 

出 版 物:《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期:2023年第42卷第7期

页      面:65-76页

核心收录:

学科分类:0710[理学-生物学] 08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:国家自然基金(52165065 52165067)。 

主  题:滚动轴承 声发射(AE) 深度学习 改进麻雀搜索(ISSA) 卷积神经网络(CNN) 多维深度特征融合(MDFF) 最佳时频图 

摘      要:针对滚动轴承早期、复合故障难以准确诊断与智能诊断模型超参数确定严重依赖专家先验知识问题,提出一种基于多维深度特征融合(multi-dimensional depth feature fusion, MDFF)与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的滚动轴承故障声发射诊断方法。用一维卷积与线性瓶颈反向残差二维卷积神经网络构建多输入卷积神经网络(convolution neural network, CNN)结构的诊断模型,模型输入为滚动轴承声发射信号及其小波时频图,提出基于布伦纳梯度和信噪比的质量指标,在108种小波基中筛选出最佳时频图以提升输入数据质量。接着,采用特征金字塔网络将模型的一、二维低层与高层特征融合,建立深度融合的诊断模型。然后,将交叉混沌映射、自适应权重及融合的随机游走策略引入麻雀搜索算法中,以自适应获取MDFFCNN最优超参数。试验表明,对比近期多个主流智能诊断算法,所提方法可避免人工选择诊断模型超参数,对滚动轴承早期尤其复合故障具有更高的诊断精度和稳定性,模型诊断过程的智能化水平得到了进一步提高。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分