检索结果-南通市图书馆

铁道科学与工程学报 2025年

作者：王娜刘佳林王子从天津工业大学控制科学与工程学院天津市电气装备智能控制重点实验室天津工业大学

针对滚动轴承在小样本条件下诊断精度低的问题，提出一种基于频域无阈值递归图与自适应线性可变卷积神经网络（frequency domain thresholdless recurrence plot-adaptive linear deformable convolutional neural network, FDTRP-ALDCNN）的滚动轴承故障诊断方法。首先，使用快速傅里叶变换（fast fourier transform, FFT）将一维时域信号转为频域信号，并与无阈值递归图（thresholdless recurrence plot, TRP）相结合，以有效构建初始特征，提高模型输入质量。其次，采用线性可变卷积核（linear deformable convolutional kernel, LDConv）替换卷积神经网络中方形卷积核，从而能够根据采样数据的分布来调整卷积核形状，准确获取空间信息中的关键特征，提高小样本数据的利用率。再次，设计自适应交叉熵（adaptive cross entropy, ACE）损失函数，来根据样本分类损失自适应调整分类器对难分与易分样本的拟合程度，增强难分样本损失在整体分类损失中的显著性，进一步提高小样本下的模型诊断精度。最后，采用CWRU滚动轴承数据集对所提方法进行三组仿真验证。对比仿真的结果表明，所提模型在不同小样本数量下均有较高的诊断准确率，最高可达到99.82%。而对两组不平衡数据集的泛化性分析可知，本模型的诊断准确率分别达到98.56%与99.3%，泛化能力优于其他模型，且具有良好的稳定性。并通过消融实验验证了FFT、LDConv与ACE损失函数对提高故障诊断精度的有效性。综上所述，所提方法能够有效诊断出小样本轴承故障，具有较高的实际应用价值。

关键词：故障诊断小样本无阈值递归图线性可变卷积核卷积神经网络交叉熵损失函数

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：