检索结果-南通市图书馆

维普期刊数据库博看期刊

基于双注意力机制的MSCN-BiGRU的滚动轴承故障诊断方法

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2024年第6期43卷 84-92,103页

作者：王敏邓艾东马天霆张宇剑薛原东南大学能源与环境学院南京210096 东南大学大型发电装备安全运行与智能测控国家工程研究中心南京210096

针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题,提出一种基于双注意力机制的多尺度卷积网络(dual attention and multi-scale convolutional networks,DAMSCN)与改进的双向门控循环单元(bidirectional gated rec... 详细信息

针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题,提出一种基于双注意力机制的多尺度卷积网络(dual attention and multi-scale convolutional networks,DAMSCN)与改进的双向门控循环单元(bidirectional gated recurrent unit,BiGRU)组成的故障诊断模型DAMSCN-BiGRU。首先,多尺度特征融合模块使用不同大小的卷积核,获得多种感受野,从而提取到轴承原始振动信号的多尺度特征信息,并根据重要性对其进行自适应融合,然后利用通道注意力和空间注意力组成的双注意力模块(dual attention module,DAM)对多尺度特征进行重新标定,分配注意力权重,削弱融合特征中的冗余特征;然后,增加注意力层和利用分段激活改进BiGRU进而挖掘信号的时域特征,以提高轴承故障诊断的性能;最后,通过Softmax层完成对不同故障的分类。试验结果表明,与其他智能诊断模型相比,DAMSCN-BiGRU在变工况环境下,平均诊断精度达到98.2%,在强噪声背景下仍然有着85.3%的准确率,且在不同程度的噪声强度下效果均优于其他常用模型,有利于促进滚动轴承的智能故障诊断研究和实际应用。

关键词：滚动轴承故障诊断多尺度特征融合双注意力机制双向门控循环单元(BiGRU)

基于样本自适应条件对抗网络的齿轮箱跨域故障诊断研究

在线全文

学校读者我要写书评

暂无评论

噪声与振动控制 2024年第5期44卷 166-171页

作者：赵敏范永胜邓艾东邓敏强东南大学能源与环境学院大型发电装备安全运行与智能测控国家工程研究中心南京210096 国家能源集团江苏电力有限公司南京215433

基于对抗训练的深度领域适应在旋转部件跨域故障诊断中应用效果良好。然而,现有研究主要致力于降低边缘分布差异而忽略对类别分布信息的挖掘,导致其在复杂场景下诊断准确性不足。针对该问题,提出一种样本自适应条件对抗网络,通过分解抽... 详细信息

基于对抗训练的深度领域适应在旋转部件跨域故障诊断中应用效果良好。然而,现有研究主要致力于降低边缘分布差异而忽略对类别分布信息的挖掘,导致其在复杂场景下诊断准确性不足。针对该问题,提出一种样本自适应条件对抗网络,通过分解抽象特征和评估样本置信度挖掘类别分布特征,增强对抗训练的域适配能力,从而有效提高跨域诊断性能。通过齿轮箱故障诊断实验验证所提方法在实际应用中的有效性和优越性。

关键词：故障诊断深度领域适应对抗训练条件对抗网络齿轮箱

在线全文

学校读者我要写书评

暂无评论

基于部分域适应的旋转机械跨工况故障诊断

太阳能学报 2024年第6期45卷 479-486页

作者：马天霆孙良海韩冰史曜炜邓艾东东南大学能源与环境学院南京211189 国家能源集团太仓发电有限公司太仓215400

为解决风电机组运行工况变化导致数据分布差异且标签空间不一致场景下的诊断问题,提出一种基于融合权重领域对抗的部分域适应方法(FWDAN),用于旋转机械跨工况故障诊断。FWDAN的核心思想是在样本和类别双重层面施加训练权重,以在对抗训... 详细信息

为解决风电机组运行工况变化导致数据分布差异且标签空间不一致场景下的诊断问题,提出一种基于融合权重领域对抗的部分域适应方法(FWDAN),用于旋转机械跨工况故障诊断。FWDAN的核心思想是在样本和类别双重层面施加训练权重,以在对抗训练过程中弱化外部类样本的作用,强化对共享类样本的学习,从而促进领域间共享诊断知识的迁移和提高对目标任务的诊断性能。对于样本级权重生成,将标签信息耦合进样本数据中充分挖掘样本的特征表示,进一步根据源域和目标域数据特性差异,应用不同的统计方法生成权重用于辅助模型训练,实现促进模型积极迁移和降低负迁移风险的目的。建立在滚动轴承和齿轮箱数据集上的两个诊断案例的实验结果表明,所提方法相比其他方法具有更高的诊断准确度和更强的泛化能。

关键词：风电机组故障诊断迁移学习领域适应对抗训练

Application of quantum neural networks in localization of acoustic emission

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

Journal of Systems Engineering and Electronics 2011年第3期22卷 507-512页

作者： aidong deng Li Zhao Wei Xin School of Energy & Environment Southeast UniversityNanjing 210096P.R.China School of Information Science and Engineering Southeast UniversityNanjing 210096P.R.China

Due to defects of time-difference of arrival localization,which influences by speed differences of various model waveforms and waveform distortion in transmitting process,a neural network technique is introduced to calculate localization of the acoustic emission ***,in back propagation（BP） neural network,the BP algorithm is a stochastic gradient algorithm virtually,the network may get into local minimum and the result of network training is *** is a kind of genetic algorithms with the form of quantum chromosomes,the random observation which simulates the quantum collapse can bring diverse individuals,and the evolutionary operators characterized by a quantum mechanism are introduced to speed up convergence and avoid *** results show that the modeling of neural network based on quantum genetic algorithm has fast convergent and higher localization accuracy,so it has a good application prospect and is worth researching further more.

关键词： acoustic emission(AE) localization quantum genetic algorithm(QGA) back propagation(BP) neural network.

基于MFCC和MDE-SVDD的滚动轴承音频信号异常检测方法

在线全文

学校读者我要写书评

暂无评论

动力工程学报 2024年第2期44卷 277-283页

作者：高原邓艾东范永胜梁志宏傅行军东南大学大型发电装备安全运行与智能测控国家工程研究中心南京210096 东南大学能源与环境学院南京210096 国家能源集团江苏电力有限公司南京215433

针对传统振动传感器安装不易,而声信号分析易受环境噪声干扰的问题,提出一种基于梅尔倒谱系数(MFCC)和马氏距离加权改进支持向量数据描述(MDE-SVDD)的音频信号异常检测方法,用于滚动轴承运行状态监测。该方法从轴承运行声信号中提取MFC... 详细信息

针对传统振动传感器安装不易,而声信号分析易受环境噪声干扰的问题,提出一种基于梅尔倒谱系数(MFCC)和马氏距离加权改进支持向量数据描述(MDE-SVDD)的音频信号异常检测方法,用于滚动轴承运行状态监测。该方法从轴承运行声信号中提取MFCC作为特征向量,进而使用马氏距离加权改进SVDD,以增强对噪声样本的抗干扰性,从而提高算法的检测精度,然后在实验音频信号中添加多种强度的高斯白噪声以模拟现场噪声环境,并将所提方法的测试结果与传统SVDD等异常检测方法进行比较。结果表明:在低信噪比(-5 dB)场景下,MDE-SVDD的异常检测平均准确率达到91.99%,相较于传统SVDD提升了7.73百分比。

关键词：滚动轴承声纹识别梅尔倒谱系数支持向量数据描述异常检测

基于可迁移注意力和动态卷积的滚动轴承跨工况故障诊断方法

在线全文

学校读者我要写书评

暂无评论

轴承 2024年第2期 82-88页

作者：王煜伟朱静史曜炜邓艾东国家能源集团谏壁发电厂江苏镇江212006 河南科技大学车辆与交通工程学院河南洛阳471000 东南大学能源与环境学院南京210000

为克服跨工况场景中数据分布差异导致的传统深度学习模型泛化性能降低问题,基于领域自适应理论提出了一种结合可迁移注意力和动态卷积的滚动轴承跨工况故障诊断方法(TADAN)。TADAN的核心思想是在学习丰富互补的多尺度特征基础上量化不... 详细信息

为克服跨工况场景中数据分布差异导致的传统深度学习模型泛化性能降低问题,基于领域自适应理论提出了一种结合可迁移注意力和动态卷积的滚动轴承跨工况故障诊断方法(TADAN)。TADAN的核心思想是在学习丰富互补的多尺度特征基础上量化不同尺度特征的可迁移性并对其进行差异性强化和融合,以提高所学特征表示的可迁移性和模型的适用性,从而学习到富含判别故障信息的领域不变的诊断知识,在无监督目标域中实现高性能诊断。公开轴承数据集上大量诊断任务的试验结果表明,基于动态卷积的多尺度特征提取器可以提取更丰富的特征并提高模型的自适应能力,可迁移计算模块可促进领域不变特征的学习并降低负迁移风险,TADAN比SCNN,MCNN,DAN等方法的故障诊断准确率更高。

关键词：滚动轴承故障诊断迁移学习特征提取动态卷积变工况注意力机制

基于改进PNCC-SVM的滚动轴承故障声纹识别方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

噪声与振动控制 2024年第3期44卷 146-151,164页

作者：王寅杰邓艾东范永胜占可高原东南大学大型发电装备安全运行与智能测控国家工程研究中心南京210096 东南大学能源与环境学院南京210096 国家能源集团江苏电力有限公司南京215433

针对滚动轴承声信号分析信噪比低、易受环境噪声干扰的问题,提出一种基于改进功率归一化倒谱系数(Power-Normalized Cepstral Coefficients,PNCC)和支持向量机(Support Vector Machine,SVM)的滚动轴承故障声纹识别方法。首先对轴承声信... 详细信息

针对滚动轴承声信号分析信噪比低、易受环境噪声干扰的问题,提出一种基于改进功率归一化倒谱系数(Power-Normalized Cepstral Coefficients,PNCC)和支持向量机(Support Vector Machine,SVM)的滚动轴承故障声纹识别方法。首先对轴承声信号进行预处理;然后提取改进的PNCC并将其作为特征向量;进而根据SVM算法建立声纹识别模型对轴承故障类型进行识别,并测试所提方法在叠加噪声后的识别准确率。结果表明,改进PNCC具有识别准确率高的特点,在噪声干扰下相比原始PNCC识别准确率均值提高13.35%,鲁棒性更强。研究结果可为滚动轴承的声信号特征提取和故障识别应用提供参考。

关键词：故障诊断滚动轴承声纹识别鲁棒性功率归一化倒谱系数支持向量机

基于模态理论和改进GMM的声发射源识别研究

在线全文

学校读者我要写书评

暂无评论

电子器件 2024年第1期47卷 128-133页

作者：杨勇李晶朱作付邓艾东徐州工业职业技术学院信息工程学院江苏徐州221140 东南大学水声信号处理教育部重点实验室江苏南京210096 南京审计大学信息工程学院江苏南京211815 大型发电装备安全运行与智能测控国家工程研究中心江苏南京210096

基于模态声发射信号理论,提出了一种利用声学对数倒谱统计参数作为声发射信号特征参数的分析与提取方法。从声发射信号多模态特性出发,提出了一个基于改进高斯混合模型的声发射源信号识别系统。理论分析和实验结果表明,该方法能准确地... 详细信息

基于模态声发射信号理论,提出了一种利用声学对数倒谱统计参数作为声发射信号特征参数的分析与提取方法。从声发射信号多模态特性出发,提出了一个基于改进高斯混合模型的声发射源信号识别系统。理论分析和实验结果表明,该方法能准确地判断声发射信号源,不仅能够应用于突发型声发射信号的识别,而且可以应用于连续型声发射信号的识别。

关键词：声发射信号倒谱高斯混合模型识别

A Rub-Impact Recognition Method Based on Improved Convolutional Neural Network

在线全文

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2020年第4期63卷 283-299页

作者： Weibo Yang Jing Li Wei Peng aidong deng College of Civil Aviation Nanjing University of Aeronautics and AstronauticsNanjing210016China School of Information Engineering Nanjing Audit UniversityNanjing211815China National Engineering Research Center of Turbo-generator Vibration Southeast UniversityNanjing210009China

Based on the theory of modal acoustic emission(AE),when the convolutional neural network(CNN)is used to identify rotor rub-impact faults,the training data has a small sample size,and the AE sound segment belongs to a single channel signal with less pixel-level information and strong local *** to the convolutional pooling operations of CNN,coarse-grained and edge information are lost,and the top-level information dimension in CNN network is low,which can easily lead to *** solve the above problems,we first propose the use of sound spectrograms and their differential features to construct multi-channel image input features suitable for CNN and fully exploit the intrinsic characteristics of the sound ***,the traditional CNN network structure is improved,and the outputs of all convolutional layers are connected as one layer constitutes a fused feature that contains information at each layer,and is input into the network’s fully connected layer for classification and *** indicate that the improved CNN recognition algorithm has significantly improved recognition rate compared with CNN and dynamical neural network(DNN)algorithms.

关键词： Acoustic emission signal deep learning convolutional neural network spectral features rub-impact