-
题名基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断
被引量：18
- 1
-
-
作者
郑一珍
牛蔺楷
熊晓燕
祁宏伟
马晓雄
-
机构
太原理工大学机械与运载工程学院
太原理工大学新型传感器与智能控制教育部重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第19期230-238,285,共10页
-
基金
国家自然科学基金(51705351)
山西省研究生创新项目(2020sy546)。
-
文摘
为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于“端到端”识别的适应性卷积神经网络故障诊断模型。将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维;在输出端利用全局平均池化替换经典构架中使用的全连接运算,以减少训练模型参数和过程运算量,避免发生过拟合,最终经Softmax分类输出诊断结果。试验结果表明算法能够达到99%以上的故障识别率,且在不同负载和转速下均保持良好的泛化性能和鲁棒性,可有效应用于轴承保持架故障诊断任务。
-
关键词
保持架故障诊断
故障损伤程度
卷积神经网络
振动信号
故障诊断
-
Keywords
cage fault diagnosis
degree of fault damage
convolution neural network
vibration signal
fault diagnosis
-
分类号
TH113.1
[机械工程—机械设计及理论]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进小波包系数熵的保持架损伤程度识别
被引量：2
- 2
-
-
作者
汤芳
刘义伦
龙慧
杨大炼
-
机构
中南大学机电工程学院
中南大学轻合金研究院
湖南科技大学湖南省机械设备健康维护重点实验室
-
出处
《计算机仿真》
北大核心
2018年第2期360-365,共6页
-
基金
国家自然科学基金项目(51375500
61402167)
湖南科技大学机械设备健康维护湖南省重点实验室开放基金资助(201605)
-
文摘
针对损伤保持架振动信号的无冲击特性、非平稳性和故障特征难以提取的问题,提出了基于改进小波包系数熵的损伤程度识别方法。用小波包分解保持架损伤信号获得小波包系数并求小波包系数熵,将小波包系数熵作为特征向量输入支持向量机(SVM)的来识别保持架损伤程度。为提高小波包系数熵的特征敏感性,对小波包系数矩阵元素值和小波包系数概率分布的区间进行修改。最后对正常轴承、保持架点蚀、保持架裂纹和保持架断裂的振动信号进行实验分析,实验结果表明:修改后的小波包系数和区间能有效避免小波包系数概率分布集中;当等分区间数相同且小于170时,与小波包系数熵与SVM结合的方法相比,该方法对保持架损伤程度的识别率更高。
-
关键词
小波包系数熵
保持架故障诊断
故障损伤程度
支持向量机
-
Keywords
Wavelet packet coefficient entropy
Cage fault diagnosis
Damage degree
Support vector machine（SVM）
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TP206.3
[自动化与计算机技术—检测技术与自动化装置]
-
