期刊导航
期刊开放获取
cqvip
退出
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
强背景噪声条件下自适应图卷积神经网络的航空发动机附件机匣故障诊断方法
被引量：
25
1
作者
余晓霞
汤宝平
+1 位作者
魏静
邓蕾
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2021年第8期78-86,共9页
针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷...
针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷积神经网络中构建自适应图卷积核,基于切比雪夫多项式设计了一种自适应图卷积操作,通过自适应图卷积核对图中节点与边进行特征提取,增强模型在强噪声条件下的泛化性。最后利用全连接层进行特征抽取,进而实现航空发动机附件机匣故障。应用案例表明所提自适应图卷积神经网络模型(AGCNet);在强背景噪声条件下对航空发动机附件机匣故障平均诊断精度为86.42%,均高于LeNet、ResNet以及GCNet模型。能够有效识别故障,可应用于航空发动机附件机匣故障诊断。
展开更多
关键词
航空发动机附件机匣
自适应图卷积神经网络
强背景噪声
故障诊断
下载PDF
职称材料
大转数波动条件下机理约束图权重增强网络的航空发动机附件机匣故障诊断方法
2
作者
余晓霞
汤宝平
+1 位作者
魏静
张志刚
《机械工程学报》
EI
CAS
CSCD
北大核心
2024年第12期126-136,共11页
针对现有深度学习模型在故障特征提取过程中容易受到大转数波动工况影响,导致航空发动机附件机匣故障诊断精度较低的问题,提出了一种机理约束图权重增强网络(Mechanism constraint graph weight enhancement networks,MCGWENet)的航空...
针对现有深度学习模型在故障特征提取过程中容易受到大转数波动工况影响,导致航空发动机附件机匣故障诊断精度较低的问题,提出了一种机理约束图权重增强网络(Mechanism constraint graph weight enhancement networks,MCGWENet)的航空发动机附件机匣故障诊断方法。首先通过度量振动信号时域和频域特征的欧式距离约束图的邻接矩阵,将物理机理嵌入到所构建的图结构中;然后将振动信号的小波包分解结果作为节点特征;并结合所设计的邻接矩阵构造出可用于航空发动机附件机匣故障诊断的图;最后,通过所设计的图权重增强层抑制大转数波动对故障特征提取的影响,提升所提模型的故障诊断精度。试验结果表明,所提模型能够有效识别机匣故障,可用于航空发动机附件机匣健康管理。
展开更多
关键词
航空发动机附件机匣
机理约束
图权重增强网络
大转数波动
故障诊断
原文传递
题名
强背景噪声条件下自适应图卷积神经网络的航空发动机附件机匣故障诊断方法
被引量：
25
1
作者
余晓霞
汤宝平
魏静
邓蕾
机构
重庆大学机械传动国家重点实验室
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2021年第8期78-86,共9页
基金
重庆市自然科学基金(cstc2019jcyj-zdxmX0026)
国家重点研发计划(2020YFB1709800)
国家自然科学基金(51775065)项目资助。
文摘
针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷积神经网络中构建自适应图卷积核,基于切比雪夫多项式设计了一种自适应图卷积操作,通过自适应图卷积核对图中节点与边进行特征提取,增强模型在强噪声条件下的泛化性。最后利用全连接层进行特征抽取,进而实现航空发动机附件机匣故障。应用案例表明所提自适应图卷积神经网络模型(AGCNet);在强背景噪声条件下对航空发动机附件机匣故障平均诊断精度为86.42%,均高于LeNet、ResNet以及GCNet模型。能够有效识别故障,可应用于航空发动机附件机匣故障诊断。
关键词
航空发动机附件机匣
自适应图卷积神经网络
强背景噪声
故障诊断
Keywords
aero
-
engine
accessory
gearbox
adaptive
graph
convolution
networks
strong
background
noise
fault
diagnosis
分类号
TH17 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
大转数波动条件下机理约束图权重增强网络的航空发动机附件机匣故障诊断方法
2
作者
余晓霞
汤宝平
魏静
张志刚
机构
重庆理工大学机械工程学院
重庆大学机械传动全国重点实验室
出处
《机械工程学报》
EI
CAS
CSCD
北大核心
2024年第12期126-136,共11页
基金
国家重点研发计划(2020YFB1709800)
国家自然科学基金(51775065)
+3 种基金
重庆市高校创新研究群体(CXQT21027)
装备预研教育部联合基金、重庆英才计划包干制(cstc2021ycjh-bgzxm0261)
重庆理工大学科研启动基金:(0119230961)
重庆理工大学国家自然科学基金培育(0119230874)资助项目。
文摘
针对现有深度学习模型在故障特征提取过程中容易受到大转数波动工况影响,导致航空发动机附件机匣故障诊断精度较低的问题,提出了一种机理约束图权重增强网络(Mechanism constraint graph weight enhancement networks,MCGWENet)的航空发动机附件机匣故障诊断方法。首先通过度量振动信号时域和频域特征的欧式距离约束图的邻接矩阵,将物理机理嵌入到所构建的图结构中;然后将振动信号的小波包分解结果作为节点特征;并结合所设计的邻接矩阵构造出可用于航空发动机附件机匣故障诊断的图;最后,通过所设计的图权重增强层抑制大转数波动对故障特征提取的影响,提升所提模型的故障诊断精度。试验结果表明,所提模型能够有效识别机匣故障,可用于航空发动机附件机匣健康管理。
关键词
航空发动机附件机匣
机理约束
图权重增强网络
大转数波动
故障诊断
Keywords
aero
-
engine
accessory
gearbox
mechanism
constraint
graph
weight
enhancement
network
large
revolution
fluctuation
fault
diagnosis
分类号
TH17 [机械工程—机械制造及自动化]
原文传递
题名
作者
出处
发文年
被引量
操作
1
强背景噪声条件下自适应图卷积神经网络的航空发动机附件机匣故障诊断方法
余晓霞
汤宝平
魏静
邓蕾
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2021
25
下载PDF
职称材料
2
大转数波动条件下机理约束图权重增强网络的航空发动机附件机匣故障诊断方法
余晓霞
汤宝平
魏静
张志刚
《机械工程学报》
EI
CAS
CSCD
北大核心
2024
0
原文传递
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
