-
题名基于Rep-VGG的滚动轴承故障诊断
被引量：3
- 1
-
-
作者
鲍泽富
王晨阳
张伟
郭永飞
-
机构
西安石油大学机械工程学院
-
出处
《现代电子技术》
2023年第14期152-156,共5页
-
文摘
为解决传统的轴承故障诊断过于依赖人为经验且耗时耗力的问题,文中提出一种基于Rep-VGG模型的故障诊断方法。首先,通过希尔伯特和小波变换对原始振动信号数据进行预处理,将其转化为可供Rep-VGG网络识别的时频图形式;然后,利用Rep-VGG模型进行训练和测试,实验数据来源于凯斯西储大学公开的轴承数据集,并与其他模型进行对比。实验结果表明,所提方法对于轴承故障的诊断准确率达到99.9499%,损失仅为0.0221%;通过混淆矩阵得到Rep-VGG模型将不同类型的故障进行分类的准确率达到99.3%,与VGG-16相比,准确率提升5.3499%,说明该模型具有广泛的应用前景。
-
关键词
Rep-VGG模型
滚动轴承
故障诊断
数据预处理
轴承数据集
混淆矩阵
-
Keywords
Rep-VGG model
rolling bearing
fault diagnosis
data preprocessing
bearing dataset
confusion matrix
-
分类号
TN876-34
[电子电信—信息与通信工程]
-
-
题名基于DRN-BiGRU模型的滚动轴承剩余寿命预测
被引量：10
- 2
-
-
作者
陈倩倩
林天然
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《机电工程》
CAS
北大核心
2022年第11期1575-1581,共7页
-
基金
国家科技部高等学校学科创新引智计划项目(D21017)
青岛市创新领军人才项目(181219ZHC)。
-
文摘
深度神经网络在剩余寿命预测(RUL)领域已获得了广泛应用,为进一步优化预测模型,充分提取数据间的时序信息,提高寿命预测的准确率,提出了一种结合深度残差网络(DRN)和双向门控循环单元(BiGRU)的剩余寿命预测(RUL)模型。首先,采用滑窗法对原始数据进行了重采样,对数据集进行了扩充;然后,设计了一种DRN-BiGRU网络模型,其中,利用DRN对输入数据进行空间特征提取,利用BiGRU捕获时域数据中包含的过去和未来两方向的相关特征,充分获取输入数据的时序退化信息,进一步改善了模型的特征提取效果;最后,采用公开发表的PHM2012数据集对模型进行了验证,并将得到的预测结果与采用DRN、DRN-GRU和全卷积神经网络(FCNN)模型获得的结果进行了对比。研究结果表明:在滚动轴承剩余寿命预测应用中,采用基于DRN-BiGRU模型的方法获得的3项误差值(MAE、MSE、RMSE)最低,预测Score值最高,分值为0.985;该结果验证了基于DRN-BiGRU模型在轴承剩余寿命预测应用方面的准确性和有效性。
-
关键词
预测与健康管理
数据驱动预测方法
剩余寿命预测模型
深度残差网络
双向门控循环单元
轴承加速退化数据集
-
Keywords
prognostic and health management(PHM)
data driven forecasting method
remaining useful life(RUL)prediction model
deep residual network(DRN)
bidirectional gated recurrent unit(BiGRU)
bearing accelerated degradation dataset
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TH17
-
