检索结果-南通市图书馆

基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法

在线全文

学校读者我要写书评

暂无评论

铁道科学与工程学报 2023年第2期20卷 723-734页

作者：董绍江刘文龙方能炜胡小林余腾伟重庆交通大学机电与车辆工程学院重庆400074 重庆工业大数据创新中心有限公司重庆400707

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,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法。首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题。同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE。之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标。其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型。为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率。最后,在2组不同的轴承数据集上进行实验。实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0~10 dB环境中平均识别正确率为98.5%,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性。

关键词：寿命状态识别滚动轴承层次时移多尺度波动散布熵 JRD距离改进卷积神经网络

基于核极限学习机自编码器的转盘轴承寿命状态识别

在线全文

学校读者我要写书评

暂无评论

浙江大学学报（工学版） 2022年第9期56卷 1856-1866页

作者：潘裕斌王华陈捷洪荣晶南京工业大学机械与动力工程学院江苏南京211816 江苏省工业装备数字制造及控制技术重点实验室江苏南京211816

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向... 详细信息

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELMAE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.

关键词：低速重载转盘轴承多层核极限学习机自编码器(MLKELM-AE) 飞蛾扑火算法(MFO) 寿命状态识别多领域特征

空间滚动轴承精度失效机理分析及寿命状态识别研究

在线全文

学校读者我要写书评

暂无评论

空间滚动轴承精度失效机理分析及寿命状态识别研究

作者：朱朋重庆交通大学

学位级别：硕士

空间滚动轴承作为飞行器机构的关键零部件,一旦发生失效将会影响空间飞行器的稳定正常运行,因此,其可靠性研究对于满足航天器高可靠、长寿命要求具有重要的意义。受真空、高低温、粒子辐照、空间粉尘、微重力等空间综合环境效应的影响,... 详细信息

空间滚动轴承作为飞行器机构的关键零部件,一旦发生失效将会影响空间飞行器的稳定正常运行,因此,其可靠性研究对于满足航天器高可靠、长寿命要求具有重要的意义。受真空、高低温、粒子辐照、空间粉尘、微重力等空间综合环境效应的影响,空间滚动轴承普遍采用固体润滑方式,其失效机理与地面常规轴承具有较大的差别,需开展地面模拟空间环境试验研究。由于常用的监测量摩擦力矩、温度不能有效反映轴承寿命状态特征信息,故本文选择包含丰富寿命状态信息的振动信号作为监测量,进行相关研究。通过对空间滚动轴承失效因素与激振机理的分析,揭示固体润滑薄膜不同磨损寿命状态与振动信号之间的关系;通过对强背景噪声下的振动信号进行降噪处理,提取出轴承微弱精度失效特征;通过深度学习卷积神经网络模型自动提取轴承寿命状态特征,实现同工况下空间滚动轴承寿命状态智能识别;通过迁移学习技术匹配变工况下轴承数据特征分布差异,实现不同寿命状态的精确识别。以上针对空间滚动轴承失效机理分析和寿命状态识别的研究工作对于提升其可靠性、寿命具有重要意义。本文主要研究内容如下:(1)针对复杂太空环境下空间滚动轴承失效机理与地面常规轴承存在较大差异难表征的问题,较全面的分析轴承精度失效因素与轴承振动之间的联系。基于Mo S固体润滑薄膜润滑及摩擦磨损特性研究空间滚动轴承固体润滑机制;基于滚道波纹度圆度耦合误差模型,分析滚道表面形貌对轴承振动的影响;结合Archard摩擦磨损模型,建立Mo S固体润滑薄膜磨损模型,分析固体润滑薄膜磨损失效机理,揭示不同磨损寿命状态与振动信号之间的关系。(2)针对地面开展的模拟空间环境下的空间滚动轴承寿命试验中传感器采集到的振动信号含强烈背景噪声的问题,研究基于经验小波变换(Empirical Wavelet Transform,EWT)的背景噪声滤除方法。分析该振动信号的时、频域特点,改进EWT频带划分方式,获得不同频带范围的模态分量,并采用皮尔逊相关系数对含背景噪声的模态分量进行筛选,最终重构获得降噪后信号。研究结果表明所提方法能有效滤除信号中的工频干扰背景噪声,实现微弱信号特征的提取。(3)针对单一工况下空间滚动轴承寿命状态特征提取及寿命状态识别的问题,研究基于残差挤压激励卷积神经网络模型的轴承寿命状态智能识别算法。分析滚动轴承加速寿命试验数据时、频域特征,利用搭建的残差挤压激励卷积神经网络模型自动提取不同寿命状态下的数据特征,实现单一工况下空间滚动轴承的寿命状态识别。通过与传统卷积神经网络、残差网络等模型识别结果对比,表明所提方法的优越性。(4)针对变工况下空间滚动轴承数据分布特征不一致寿命状态难识别的问题,研究基于迁移学习技术的轴承寿命状态识别算法。基于残差挤压激励网络优异的特征提取能力,采用该网络模型作为变工况寿命状态数据通用特征提取层,领域自适应层中引入局部最大均值差异(Local Maximum Mean Discrepancy,LMMD)子领域自适应度量准则来匹配变工况下相同子类寿命阶段数据,即条件分布差异。LMMD采用网络模型概率输出伪标签来解决目标域不含标签的问题,实现变工况下空间滚动轴承不同寿命状态的精确识别。

关键词：空间滚动轴承失效机理信号降噪寿命状态识别迁移学习

基于性能衰退评估的轴承寿命状态识别方法研究

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

振动与冲击 2021年第5期40卷 186-192,210页

作者：董绍江吴文亮贺坤潘雪娇蒙志强汤宝平赵兴新重庆交通大学机电与车辆工程学院重庆400074 重庆大学机械传动国家重点实验室重庆400032 重庆长江轴承股份有限公司重庆401336

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... 详细信息

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。

关键词：寿命状态识别性能衰退指标卷积自编码器 MDS算法改进卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于改进模糊C均值的回转支承寿命状态识别

计算机集成制造系统 2018年第11期24卷 2751-2758页

作者：李媛媛陈捷黄筱调洪荣晶南京工业大学机械与动力工程学院江苏南京211816 江苏省工业装备数字制造及控制技术重点实验室江苏南京211816

为了对回转支承的寿命状态进行研究,以保障机械设备的高效正常运行,提出一种将点密度和模糊C均值结合的算法对回转支承的寿命状态进行识别,解决了传统模糊C均值算法识别速度慢、临界点分类不准确的问题。利用自主研发的回转支承综合性... 详细信息

为了对回转支承的寿命状态进行研究,以保障机械设备的高效正常运行,提出一种将点密度和模糊C均值结合的算法对回转支承的寿命状态进行识别,解决了传统模糊C均值算法识别速度慢、临界点分类不准确的问题。利用自主研发的回转支承综合性能实验台对某型号回转支承进行全寿命疲劳实验,验证了所提算法的可行性。通过对比所提改进算法与传统模糊C均值算法的识别结果,表明改进算法能够更准确地识别出回转支承的不同运行状态,从而为实时维修奠定了基础。

关键词：回转支承寿命状态识别模糊C均值性能退化故障诊断

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2021年第15期57卷 105-115页

作者：董绍江裴雪武汤宝平田科位朱朋李洋赵兴新重庆交通大学机电与车辆工程学院重庆400074 磁悬技术与磁浮列车教育部重点实验室成都610031 重庆大学机械传动国家重点实验室重庆400044 重庆长江轴承股份有限公司重庆401336

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... 详细信息

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。

关键词：特征噪声能量比滚动轴承性能退化评估早期故障检测改进深度残差收缩网络寿命状态识别

源域多样本集成GFK的不同工况下滚动轴承寿命状态识别

在线全文

学校读者我要写书评

暂无评论

振动工程学报 2020年第3期33卷 614-621页

作者：陈仁祥陈思杨胡小林董绍江黄鑫朱炬锟重庆交通大学机电与车辆工程学院重庆400074 重庆大学机械传动国家重点实验室重庆400030 重庆工业大数据创新中心有限公司重庆400056

针对不同工况下滚动轴承寿命状态识别时训练样本与测试样本分布差异导致寿命状态无法有效识别的问题,提出基于源域多样本集成(Geodesic Flow Kernel,GFK)的滚动轴承寿命状态识别方法。首先,采用无重复均匀随机抽样对源域类间样本进行多... 详细信息

针对不同工况下滚动轴承寿命状态识别时训练样本与测试样本分布差异导致寿命状态无法有效识别的问题,提出基于源域多样本集成(Geodesic Flow Kernel,GFK)的滚动轴承寿命状态识别方法。首先,采用无重复均匀随机抽样对源域类间样本进行多次等量随机抽样得到源域内部多个训练样本以充分挖掘源域样本信息;其次,将源域内部多个训练样本和目标域测试样本输入GFK,分别计算每个源域训练样本与目标域测试样本的测地线核矩阵以充分利用源域样本信息并提升GFK迁移学习能力;最后,利用核矩阵构造核分类器并输出分类结果,采用一致性投票对所有源域训练样本下目标域测试样本的分类结果进行集成以提升目标域测试样本的识别准确率。不同工况下滚动轴承寿命状态识别实验验证了所提方法的可行性和有效性。

关键词：寿命状态识别滚动轴承测地线流式核迁移学习

在线全文

学校读者我要写书评

暂无评论

基于改进DBN的回转支承寿命状态识别

振动与冲击 2020年第7期39卷 238-244,259页

作者：王赛赛陈捷王华潘裕斌南京工业大学机械与动力工程学院南京211816 江苏省工业装备数字制造及控制技术重点实验室南京211816

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解... 详细信息

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。

关键词：回转支承深度学习改进DBN 寿命状态识别

在线全文

学校读者我要写书评

暂无评论

基于遗传程序设计的回转支承寿命状态识别

南京工业大学学报（自然科学版） 2017年第6期39卷 111-117页

作者：李媛媛黄筱调陈捷洪荣晶南京工业大学机械与动力工程学院南京211800

针对回转支承低转速、故障信号微弱的特点,提出了一种遗传程序(GP)设计的方法对其寿命状态进行准确的识别。为保证回转支承运转信息的完整性,该方法从不同领域提取了多个特征指标组成特征向量矩阵。以模型的性能和复杂度为衡量指标,从... 详细信息

针对回转支承低转速、故障信号微弱的特点,提出了一种遗传程序(GP)设计的方法对其寿命状态进行准确的识别。为保证回转支承运转信息的完整性,该方法从不同领域提取了多个特征指标组成特征向量矩阵。以模型的性能和复杂度为衡量指标,从遗传程序设计建立的模型中选择出最佳模型,再将测试样本输入模型实现对回转支承寿命状态的识别。利用自主研发的回转支承综合性能实验台对某型号的回转支承进行了全寿命疲劳实验,实验结果表明,所提出的方法能够准确地识别出回转支承的寿命状态,为实时维修奠定了基础。

关键词：回转支承遗传程序设计寿命状态识别