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CAE-ECA模型的滚动轴承声纹信号异常监测方法
1
作者 王凌锋 《工业控制计算机》 2024年第7期29-31,34,共4页
滚动轴承是电站辅机关键部件,其运行工况复杂且多处于强噪声环境,异常状态难以准确识别。针对传统声纹分析方法人工提取特征表达不充分且过分依赖专家知识的问题,提出了一种基于卷积自编码网络(Convolutional Auto-Encode,CAE)与有效通... 滚动轴承是电站辅机关键部件,其运行工况复杂且多处于强噪声环境,异常状态难以准确识别。针对传统声纹分析方法人工提取特征表达不充分且过分依赖专家知识的问题,提出了一种基于卷积自编码网络(Convolutional Auto-Encode,CAE)与有效通道注意力机制(Efficient Channel Attention,ECA)相结合的模型,实现滚动轴承声纹特征自适应提取与异常状态高效识别。首先,将一维时序声纹信号重复间隔采样构建输入样本,利用卷积、池化等神经网络结构自适应提取轴承运行声音信号的深层特征。然后,通过有效通道注意力模块增加卷积自编码网络对关键特征的权重。通过自编码网络结构实现声音信号的重构且仅使用滚动轴承正常运行声音信号数据进行模型训练。最后,通过模型对异常状态数据的重构偏差评估滚动轴承异常状态。试验表明,CAE-ECA模型在不同噪声条件下均具有较高的诊断准确率。 展开更多
关键词 滚动轴承 声纹异常监测 卷积自编码 有效通道注意力机制
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