检索结果-南通市图书馆

基于深度在线迁移的变负载下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

控制与决策 2022年第6期37卷 1521-1530页

作者：康守强刘旺辉王玉静王庆岩 mikulovich v i 哈尔滨理工大学电气与电子工程学院哈尔滨150080 白俄罗斯国立大学明斯克220030

针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-iSvM (convolutional neural networks-incremental support ve... 详细信息

针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-iSvM (convolutional neural networks-incremental support vector machine)变负载下滚动轴承故障诊断方法.该方法运用短时傅里叶变换得到不同负载下滚动轴承振动信号的频谱图并构建数据集;使用源域数据建立CNN-iSvM预训练模型并保存模型参数;利用迁移学习将源域共享模型参数迁移至目标域CNN-iSvM模型训练过程中,快速建立分类模型;分类模型中的iSvM分类器在保留已学到知识的基础上,在线处理目标域新增数据,无需重新训练.经实验验证,所提出方法可实现数据按照序列方式采集的变负载下滚动轴承多状态在线分类,并具有较好的稳定性及较高的准确率.

关键词：滚动轴承迁移学习在线学习增量支持向量机卷积神经网络故障诊断

结合CNN和LSTM的滚动轴承剩余使用寿命预测方法

在线全文

学校读者我要写书评

暂无评论

振动．测试与诊断 2021年第3期41卷 439-446,617页

作者：王玉静李少鹏康守强谢金宝 mikulovich v i 哈尔滨理工大学电气与电子工程学院哈尔滨150080 白俄罗斯国立大学明斯克220030

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM... 详细信息

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚动轴承RUL预测方法。首先,对滚动轴承原始振动信号作快速傅里叶变换(fast Fourier transform,简称FFT);其次,将预处理所得到的频域幅值信号进行归一化处理后,将其作为CNN的输入,并利用CNN自适应提取局部内在有用信息,学习并挖掘深层特征,避免传统算法需要专家大量经验的弊端;然后,再将深层特征输入到LSTM网络中,构建趋势性量化健康指标,同时确定失效阈值;最后,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。

关键词：滚动轴承卷积神经网络长短时记忆神经网络趋势性量化健康指标剩余使用寿命预测

基于数学形态学和iFOA-SvR的滚动轴承可靠度预测方法

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2017年第8期53卷 201-208页

作者：康守强叶立强王玉静谢金宝 mikulovich v i 哈尔滨理工大学电气与电子工程学院哈尔滨150080 白俄罗斯国立大学白俄罗斯明斯克220030

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(improved fruit fly optimization algorithm-support vector regression,iFOA-SvR)的滚动轴承可靠度预测方... 详细信息

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(improved fruit fly optimization algorithm-support vector regression,iFOA-SvR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用iFOA对SvR中的参数C、g以及ε同时进行寻优,建立iFOA-SvR预测模型。利用极大似然估计结合iFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为iFOA-SvR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。

关键词：滚动轴承数学形态学支持向量回归果蝇优化算法可靠度预测

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2014年第3期36卷 595-600页

作者：王玉静康守强张云刘学姜义成 mikulovich v i 哈尔滨工业大学电子与信息工程学院哈尔滨150001 哈尔滨理工大学电气与电子工程学院哈尔滨150080 白俄罗斯国立大学明斯克220030

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(iMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,... 详细信息

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(iMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

关键词：信号处理状态识别非平稳信号集合经验模态分解(EEMD) 敏感固有模态函数(iMF)

基于MCEA-KPCA和组合SvR的滚动轴承剩余使用寿命预测

在线全文

学校读者我要写书评

暂无评论

电子测量与仪器学报 2017年第9期31卷 1365-1371页

作者：康守强叶立强王玉静谢金宝 mikulovich v i 哈尔滨理工大学电气与电子工程学院哈尔滨150080 白俄罗斯国立大学明斯克220030

为了准确预测滚动轴承的剩余使用寿命(RUL),提出一种多评价标准有效性分析(MCEA)、核主成分分析(KPCA)和组合支持向量回归(SvR)相结合的滚动轴承RUL预测方法。该方法对提取的特征计算每个评价标准的有效性得分,自适应地确定每个评价标... 详细信息

为了准确预测滚动轴承的剩余使用寿命(RUL),提出一种多评价标准有效性分析(MCEA)、核主成分分析(KPCA)和组合支持向量回归(SvR)相结合的滚动轴承RUL预测方法。该方法对提取的特征计算每个评价标准的有效性得分,自适应地确定每个评价标准的权重,筛选出有效性总得分高于其整体平均值的特征,进一步利用KPCA去除已筛选特征之间的信息冗余,建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SvR的输入,当前使用寿命与全寿命的比值p即RUL作为输出,建立多个SvR模型,并采用自适应的方法确定各模型的权重,最终构建组合SvR预测模型。最后,对与训练不同的轴承进行测试,将约简后特征输入到组合SvR预测模型中,预测轴承的p值,实验结果表明,所提方法可准确地对滚动轴承进行RUL预测。

关键词：滚动轴承有效性分析特征约简剩余使用寿命预测

基于联邦模型迁移的不同规格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 2023年第22期42卷 184-192页

作者：康守强肖杨王玉静王庆岩梁欣涛 v.i.mikulovich 哈尔滨理工大学测控技术与通信工程学院哈尔滨150080 白俄罗斯国立大学明斯克220030

数据隐私与数据安全问题逐渐受到社会关注,各用户隐私的滚动轴承振动数据存在孤岛且不共享的问题,同时不同规格滚动轴承振动数据分布差异大、部分已知标签数据稀缺,使得诊断准确率不高。针对上述问题,提出一种基于联邦模型迁移的不同规... 详细信息

数据隐私与数据安全问题逐渐受到社会关注,各用户隐私的滚动轴承振动数据存在孤岛且不共享的问题,同时不同规格滚动轴承振动数据分布差异大、部分已知标签数据稀缺,使得诊断准确率不高。针对上述问题,提出一种基于联邦模型迁移的不同规格滚动轴承故障诊断框架。该方法对多个用户振动数据做短时傅里叶变换,构建时频图数据集;各用户训练本地模型并将模型参数上传至服务器,同时引入差值更新和参数稀疏化算法改进联邦学习中本地模型参数传递策略;服务器采用联邦平均算法聚合模型参数并更新本地模型,迭代后建立用于迁移学习的共享模型;提出逐层解冻策略保留共享模型部分参数并发送给每个用户,再利用本地数据微调共享模型,获得适用于每个用户的个性化模型。经试验验证,所提方法在数据孤岛和标签稀缺的前提下,可实现不同规格滚动轴承故障诊断,并具有较高的准确率和良好的泛化性能。

关键词：联邦学习迁移学习滚动轴承故障诊断不同规格

基于协同深度学习的二阶段绝缘子故障检测方法

在线全文

学校读者我要写书评

暂无评论

电工技术学报 2021年第17期36卷 3594-3604页

作者：王卓王玉静王庆岩康守强 v.i.mikulovich 哈尔滨理工大学电气与电子工程学院哈尔滨150080 白俄罗斯国立大学明斯克220030

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法。该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃... 详细信息

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法。该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运算,实现绝缘子目标的初步分割,避免背景区域对绝缘子故障检测的干扰。在此基础上,第二阶段构建YOLOv3模型进行绝缘子故障检测,以深度神经网络Darknet-53作为特征提取器,借鉴特征金字塔思想,在三个尺度的输出张量上对绝缘子故障进行标记和类别预测,保证模型对不同尺寸的绝缘子故障准确检测。利用K-means++聚类算法优化YOLOv3的锚点框参数(Anchor Boxes),进一步提升检测精度。实验结果表明,基于协同深度学习的二阶段方法能够有效克服复杂背景的干扰,在绝缘子故障检测中平均准确率(MAP)高达96.88%,较原始YOLOv3算法MAP值提升了4.65%。

关键词：绝缘子故障检测全卷积网络 YOLOv3 K-means++

基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2017年第23期37卷 6943-6950页

作者：王玉静那晓栋康守强谢金宝 v i mikulovich 哈尔滨理工大学电气与电子工程学院黑龙江省哈尔滨市150080 白俄罗斯国立大学白俄罗斯明斯克220030

负载在滚动轴承的运行过程中通常是变化的,针对变负载下滚动轴承不同故障位置及不同性能退化程度多状态识别困难的问题,提出一种基于集合经验模态分解–希尔伯特(ensemble empirical mode decomposition-Hilbert,EEMD-Hilbert)包络谱和... 详细信息

负载在滚动轴承的运行过程中通常是变化的,针对变负载下滚动轴承不同故障位置及不同性能退化程度多状态识别困难的问题,提出一种基于集合经验模态分解–希尔伯特(ensemble empirical mode decomposition-Hilbert,EEMD-Hilbert)包络谱和深度信念网络(deep belief network,DBN)的滚动轴承状态识别方法。该方法首先对滚动轴承各状态振动信号进行EEMD,然后选取敏感本征模态函数(intrinsic mode function,iMF),并对其进行Hilbert变换求取包络谱。最后将各状态振动信号的iMF包络谱按顺序构建新的高维数据,输入到经遗传算法优化各隐藏层节点结构的DBN中,实现变负载下滚动轴承的多状态识别。实验结果表明:在运用DBN进行滚动轴承10种状态识别过程中,训练数据采用某种负载,测试数据选用其他负载的情况下,EEMD-Hilbert包络谱比时域或频域幅值谱能更好地体现出滚动轴承不同负载下的多状态特征;且DBN相对浅层学习的支持向量机和BP神经网络算法,具有更高的识别率,各数据集识别率均达到92.5%以上。

关键词：变负载滚动轴承集合经验模态分解深度信念网络状态识别

基于改进深度森林的滚动轴承剩余寿命预测方法

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2020年第15期40卷 5032-5042页

作者：王玉静王诗达康守强王庆岩 v.i.mikulovich 哈尔滨理工大学电气与电子工程学院黑龙江省哈尔滨市150080 白俄罗斯国立大学白俄罗斯明斯克220030

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DiF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的... 详细信息

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DiF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的新型深度森林算法,首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算,得到迭代特征。为了减小内存的消耗,将深度森林中的多粒度扫描结构替换为卷积神经网络,提取迭代特征的深层特征,并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成,引入决定系数R2构建CasCatBoost结构以提高模型的表征能力,选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合,预测出轴承的剩余寿命。利用PHM2012数据库对滚动轴承剩余寿命进行预测,所提方法的预测平均误差为10.57%、平均得分为0.426。

关键词：滚动轴承卷积神经网络深层迭代特征深度森林剩余寿命预测