期刊导航
期刊开放获取
河南省图书馆
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
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法
1
作者
吕尚杰
谷立臣
耿宝龙
《Journal of Measurement Science and Instrumentation》
CAS
CSCD
2024年第1期43-53,共11页
为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutional neural networks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换(Continuous wave...
为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutional neural networks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换(Continuous wavelet transform,CWT)对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题。其次,基于相关系数对变分模态分解(Variational mode decomposition,VMD)参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数(Intrinsic mode function,IMF),将其重组为三通道一维信号,作为CNN模型的另一路输入。最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果。实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨损状态进行分类。实验结果表明,该方法对于配流盘磨损的三种状态的识别效果显著优于单路输入的CNN模型以及典型的深度学习方法和机器学习分类器。因此,优化的VMD-CWT-CNN方法可以更准确地实现柱塞泵配流盘磨损状态识别。
展开更多
关键词
柱塞泵配流盘磨损
振动信号
卷积神经网络
变分模态分解
连续小波变换
下载PDF
职称材料
题名
一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法
1
作者
吕尚杰
谷立臣
耿宝龙
机构
西安建筑科技大学机电工程学院
出处
《Journal of Measurement Science and Instrumentation》
CAS
CSCD
2024年第1期43-53,共11页
基金
supported by National Natural Science Foundation of China(No.51675399)。
文摘
为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutional neural networks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换(Continuous wavelet transform,CWT)对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题。其次,基于相关系数对变分模态分解(Variational mode decomposition,VMD)参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数(Intrinsic mode function,IMF),将其重组为三通道一维信号,作为CNN模型的另一路输入。最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果。实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨损状态进行分类。实验结果表明,该方法对于配流盘磨损的三种状态的识别效果显著优于单路输入的CNN模型以及典型的深度学习方法和机器学习分类器。因此,优化的VMD-CWT-CNN方法可以更准确地实现柱塞泵配流盘磨损状态识别。
关键词
柱塞泵配流盘磨损
振动信号
卷积神经网络
变分模态分解
连续小波变换
Keywords
piston pump valve plate wear
vibration signal
convolutional neural network(CNN)
variational mode decomposition(VMD)
continuous wavelet transform(CWT)
分类号
TH137.51 [机械工程—机械制造及自动化]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法
吕尚杰
谷立臣
耿宝龙
《Journal of Measurement Science and Instrumentation》
CAS
CSCD
2024
0
下载PDF
职称材料
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