期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于数据映射和胶囊网络的轴承故障诊断方法
1
作者 赵运基 张楠楠 +2 位作者 周梦林 许孝卓 张新良 《河南理工大学学报（自然科学版）》 CAS 北大核心 2024年第5期108-117,共10页
传统深度学习模型自适应提取振动信号故障特征,实现端到端轴承故障诊断。然而,振动监测信号为非常复杂的非稳态时序信号,若深度网络直接以原始振动信号为输入,数据之间的非线性耦合作用会极大影响模型对故障特征的提取效率。目的为降低... 传统深度学习模型自适应提取振动信号故障特征,实现端到端轴承故障诊断。然而,振动监测信号为非常复杂的非稳态时序信号,若深度网络直接以原始振动信号为输入,数据之间的非线性耦合作用会极大影响模型对故障特征的提取效率。目的为降低故障信号之间强非线性耦合作用,解决卷积神经网络对空间约束信息丢失的问题,提升轴承故障诊断性能,方法本文提出一种基于数据映射和胶囊网络(capsule network,CapsNet)的轴承故障诊断方法。首先,将图像处理领域中具有细化颜色特征能力的颜色空间模型(color names,CN)引入故障数据预处理中,将原始低维空间数据映射至高维空间,提升故障数据空间区分度;其次,针对映射后数据维度较高且具有一定冗余,影响故障诊断效率的问题,引入主成分分析(principal compo⁃nent analysis,PCA)法提取故障数据主元信息,降低数据维度;最后,考虑到胶囊网络有效提取空间约束信息的能力,将CapsNet作为故障诊断的骨干网络对故障特征进行识别和分类。结果使用CWRU、XJTU-SY数据集对该方法进行验证,实验结果表明,该方法在两种数据集上故障诊断准确率均达98%以上,与其他基于深度学习的故障诊断方法进行对比,该方法的诊断性能具有一定优势。结论本文方法可对故障数据进行有效解耦,提升数据之间的空间区分度,获得较高的轴承故障诊断精度。 展开更多
关键词 轴承故障诊断 颜色空间模型 数据空间映射策略 主成分分析 胶囊网络
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部