检索结果-南通市图书馆

基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

沈阳建筑大学学报（自然科学版） 2022年第6期38卷 1129-1137页

作者：石怀涛李宁宁赵金宝佟圣皓沈阳建筑大学机械工程学院辽宁沈阳110168

目的针对传统卷积神经网络训练时间长、易过拟合、故障诊断精度低、抗噪能力差等问题,提出一种基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断模型,降低滚动轴承故障数据的冗余度。方法首先,使用压缩采集技术去除实验样本中的冗... 详细信息

目的针对传统卷积神经网络训练时间长、易过拟合、故障诊断精度低、抗噪能力差等问题,提出一种基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断模型,降低滚动轴承故障数据的冗余度。方法首先,使用压缩采集技术去除实验样本中的冗余信息;然后,使用三层卷积神经网络(CNN)对采集数据进行故障特征提取,在网络中加入Dropout层、Batch Normalization层、全局平均池化层来防止网络的过拟合,加强网络提取特征的能力;最后,用多分类支持向量机(SVM)对提取特征进行分类。结果研究表明:模型对故障诊断精度达到了99.4%,比CNN_SVM,PCA_SVM,1D_CNN等模型故障诊断效果突出,对含噪的实验数据具有去噪功能。结论笔者所提出的模型诊断精度高,且具有很强的学习能力和降噪能力。

关键词：压缩采集卷积神经网络支持向量机滚动轴承故障诊断

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

基于模型驱动的田间数据压缩采集方法研究

浙江农业学报 2018年第12期30卷 2102-2111页

作者：饶元许文俊赵刚 Arthur GENIS 李绍稳安徽农业大学信息与计算机学院安徽合肥230036 Katif沿海沙漠开发研究中心以色列内提沃特8771002

基于模型驱动的数据采集方法可有效降低数据传输能耗。阐述了差分自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、线性模型(DBP)和时钟驱动循环神经网络(CW-RNN)等数据预测模型的运行机制。结合空气温度、土壤湿度、果实膨大和风... 详细信息

基于模型驱动的数据采集方法可有效降低数据传输能耗。阐述了差分自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、线性模型(DBP)和时钟驱动循环神经网络(CW-RNN)等数据预测模型的运行机制。结合空气温度、土壤湿度、果实膨大和风速等数据,探索预测模型的训练参数和误差阈值设置方法。综合考虑数据采集误差、业务数据传输率、模型更新及预测代价等指标,运用熵权逼近最优排序法(TOPSIS)评价模型适用性。结果表明:最佳训练参数与模型机制和数据对象有关,基于前期采样值自动获取误差阈值可行。模型的适用性与数据对象、节点运算资源和网络带宽有关。常量模型Constant的适用性最高,DBP模型次之。ARIMA模型可应用于带宽受限、节点运算资源较为充沛的应用场景,SVR模型可应用于高带宽、节点运算资源受限的应用场景。

关键词：模型驱动田间数据压缩采集适用性评价

一种机械振动信号的结构化随机测量矩阵构造方法

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2017年第7期36卷 104-109,170页

作者：郭俊锋施建旭魏兴春雷春丽兰州理工大学机电工程学院兰州730050

针对压缩采集在机械振动信号采集的过程中,现有随机测量矩阵不易硬件实现、确定性测量矩阵重构误差较大的问题。将高斯序列的优点和循环原理的优点相结合,提出一种高斯分布循环测量矩阵,其是一种结构化随机测量矩阵。高斯分布循环测量... 详细信息

针对压缩采集在机械振动信号采集的过程中,现有随机测量矩阵不易硬件实现、确定性测量矩阵重构误差较大的问题。将高斯序列的优点和循环原理的优点相结合,提出一种高斯分布循环测量矩阵,其是一种结构化随机测量矩阵。高斯分布循环测量矩阵的第一行元素由服从高斯分布的序列生成,通过循环移位生成剩余的所有行向量;随机取出除第一行的其他所有行的部分元素,每个元素再乘不同的随机数或者同一个随机数,并放回原位置;基于高斯分布循环测量矩阵得到的机械振动信号压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。高斯分布循环测量矩阵的所有元素的随机性可以满足测量矩阵对随机性的要求,循环原理的内在确定性又可满足测量矩阵硬件实现的要求。仿真表明:高斯分布循环测量矩阵的感知性能略优于与高斯矩阵的性能,整体上基本相当。

关键词：振动信号压缩采集高斯序列循环原理结构化随机测量矩阵

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于数据驱动的风电机滚动轴承故障诊断

基于数据驱动的风电机滚动轴承故障诊断

作者：韩欣宏江南大学

学位级别：硕士

滚动轴承作为风电机的重要组成部件,工作在高速的运转状态下,其容易发生故障,因此风电机滚动轴承的故障诊断具有非常重要的研究意义。论文以风电机传动系统的滚动轴承作为研究对象,对滚动轴承振动信号进行数据处理、特征提取和故障分类... 详细信息

滚动轴承作为风电机的重要组成部件,工作在高速的运转状态下,其容易发生故障,因此风电机滚动轴承的故障诊断具有非常重要的研究意义。论文以风电机传动系统的滚动轴承作为研究对象,对滚动轴承振动信号进行数据处理、特征提取和故障分类,研究基于数据驱动的风电机滚动轴承故障诊断策略。主要研究内容有以下方面:（1）针对风电机滚动轴承振动信号具有非平稳、非线性等特性,且故障特征提取困难的问题,提出一种基于深度置信网络的故障诊断方法。论文通过改进的集合经验模态分解-自回归模型对滚动轴承振动信号进行处理,得到自回归模型的系数;然后将自回归模型的系数输入深度置信网络,挖掘滚动轴承的故障特征并实现故障分类。以Western Reserve University的滚动轴承数据为例进行仿真,仿真结果表明:该方法能够对风电机滚动轴承三种故障的特征进行提取,并且与传统的BP神经网络、支持向量机相比有较高的准确率。（2）为了解决风电机滚动轴承故障诊断存在采样数据量大、故障特征依赖主观选取的问题,提出了风电机滚动轴承振动信号压缩采集、自动提取特征及故障分类的方法。论文利用梯度加速法和正交三角分解理论对随机高斯观测矩阵进行优化,实现振动信号的压缩采集;通过卷积神经网络提取故障特征,并完成故障分类。仿真结果表明:该方法可保证故障诊断准确率并缩短卷积神经网络的训练时间。（3）考虑到风电机的传感器易受环境干扰,从而对风电机滚动轴承故障诊断的结果产生影响,为了提高故障诊断的可靠性,提出一种多源信号故障诊断方法。该方法提取滚动轴承振动信号、噪声信号、温度信号的时域和频域特征,采用Bayesian Optimization算法优化堆叠降噪自编码器的各隐藏层结构,通过优化后的堆叠降噪自编码器算法实现故障特征融合与分类。以旋转机械振动及故障模拟实验平台数据为例进行仿真,仿真结果表明:该方法与单一信号的故障诊断方法相比,提高了诊断的准确率,增强了抗干扰性能。

关键词：滚动轴承故障诊断集合经验模态分解压缩采集堆叠降噪自编码器

压缩感知框架下基于特征增强的滚动轴承故障诊断方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

压缩感知框架下基于特征增强的滚动轴承故障诊断方法研究

作者：张瀛燕山大学

学位级别：硕士

旋转机械作为现代工业中的重要生产设备,往往在工业生产中承担着关键作用,其一旦发生故障,将导致巨大的停机损失,其中旋转机械的许多停机案例都由滚动轴承失效所导致,因此对滚动轴承的状态监测和故障诊断具有重要意义。然而,传统的采样... 详细信息

旋转机械作为现代工业中的重要生产设备,往往在工业生产中承担着关键作用,其一旦发生故障,将导致巨大的停机损失,其中旋转机械的许多停机案例都由滚动轴承失效所导致,因此对滚动轴承的状态监测和故障诊断具有重要意义。然而,传统的采样定理会导致滚动轴承故障信号采样数据量往往巨大,无法满足故障诊断需求,且其早期故障特征微弱,在强背景噪声和复杂传输路径的干扰下故障特征难以被检测,增加了故障信号提取的难度,所以如何解决数据存储和传输问题以及如何提取早期微弱故障是滚动轴承故障诊断研究的关键。因此本文基于压缩感知理论和振动分析方法提出一种滚动轴承故障诊断方法。具体研究工作如下:首先,针对传统的奈奎斯特采样定理导致的海量采样数据的问题,在压缩感知理论基础上,优化测量矩阵和稀疏基。考虑到单一稀疏基无法满足重构精度的问题,将小波稀疏基与卡尔曼滤波器相结合,提高压缩感知重构算法精度。并在等角紧框架的基础上,通过交替迭代二乘法对测量矩阵进行优化,进一步提高重构精度。其次,针对滚动轴承早期微弱故障难以提取的问题,提出一种将自回归移动平均模型和优化的多点最优最小熵反褶积结合的滚动轴承故障特征提取方法。运用自回归移动平均模型对平稳信号的预测能力,去除滚动轴承振动信号中的固有成分。利用通过麻雀搜索算法优化后的多点最优最小熵反褶积算法提取周期性冲击信号,对早期微弱故障特征进行增强。最后,针对现有时域无量纲指标无法满足高分类准确率的问题,构造一种具有周期性与冲击性的故障分类指标,并利用极限学习机分类器,区分滚动轴承的内圈、滚动体和外圈等故障类型,实现高效地滚动轴承故障诊断。

关键词：滚动轴承故障诊断压缩采集特征增强特征分类