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
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
基于堆栈降噪自编码网络的机械设备磨损状态识别
被引量:
4
1
作者
樊红卫
马宁阁
+3 位作者
张旭辉
高烁琪
曹现刚
马宏伟
《工矿自动化》
北大核心
2020年第11期6-11,共6页
通过磨粒铁谱图像识别可实现机械设备磨损状态识别,但基于机器学习的磨粒铁谱图像识别存在较多人工干预、普适性差。为解决上述问题,提出了一种基于堆栈降噪自编码网络的机械设备磨损状态识别方法。将多个降噪自编码网络进行堆叠,即上...
通过磨粒铁谱图像识别可实现机械设备磨损状态识别,但基于机器学习的磨粒铁谱图像识别存在较多人工干预、普适性差。为解决上述问题,提出了一种基于堆栈降噪自编码网络的机械设备磨损状态识别方法。将多个降噪自编码网络进行堆叠,即上一个降噪自编码网络隐含层的输出作为下一个降噪自编码网络的输入,并在最后一个降噪自编码网络隐含层后添加Softmax分类器,从而构建堆栈降噪自编码网络;利用磨粒铁谱图像对堆栈降噪自编码网络进行无监督预训练,并通过有监督微调优化网络参数,对磨粒铁谱图像进行分类,实现机械设备磨损状态智能识别。实验结果表明:当堆栈降噪自编码网络的激活函数为Relu、优化器为Adam、学习率为0.001时,网络性能最佳,识别准确率达98.43%。
展开更多
关键词
机械设备
磨损状态识别
铁谱图像
堆栈降噪自编码网络
下载PDF
职称材料
基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断
2
作者
樊红卫
马宁阁
+3 位作者
马嘉腾
陈步冉
曹现刚
张旭辉
《振动与冲击》
EI
2024年第11期246-254,共9页
滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时...
滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时频图像联合改进Vision Transformer(ViT)网络模型的智能故障诊断新方法。首先针对实际信号研究短时傅里叶变换(short-time Fourier transform, STFT)、连续小波变换(continuous wavelet transform, CWT)和EMDPWVD三种时频分析方法,考虑STFT和CWT无法同时获得高的时间分辨率和频率分辨率,优选EMDPWVD作为智能故障诊断网络的时频图像构造方法。其次,以经典ViT作为故障诊断基础模型,将时频图像按照预定尺寸分块并线性映射为输入序列,通过自注意力机制整合图像全局信息,借助堆叠Transformer编码器完成网络传输,进而实现故障诊断。为进一步提高故障诊断准确率,将池化层作为ViT的预处理网络,获得改进的Pooling ViT(PiT)模型,实现时频图像的空间特征延展,提升模型对输入图像敏感度。结果表明,所提方法对滚动轴承不同故障类型均有高的诊断准确率,PiT较ViT的准确率提高4.40%,证明对ViT加入池化层能够实现滚动轴承故障诊断效果提升。
展开更多
关键词
滚动轴承
故障诊断
时频图像
Vision
Transformer(ViT)
池化层
下载PDF
职称材料
题名
基于堆栈降噪自编码网络的机械设备磨损状态识别
被引量:
4
1
作者
樊红卫
马宁阁
张旭辉
高烁琪
曹现刚
马宏伟
机构
西安科技大学机械工程学院
陕西省矿山机电装备智能监测重点实验室
出处
《工矿自动化》
北大核心
2020年第11期6-11,共6页
基金
国家自然科学基金重点项目(51834006)
陕西省重点研发计划项目(2018ZDCXL-GY-06-04,2019GY-093)
陕西省自然科学基础研究计划项目(2019JLZ-08)。
文摘
通过磨粒铁谱图像识别可实现机械设备磨损状态识别,但基于机器学习的磨粒铁谱图像识别存在较多人工干预、普适性差。为解决上述问题,提出了一种基于堆栈降噪自编码网络的机械设备磨损状态识别方法。将多个降噪自编码网络进行堆叠,即上一个降噪自编码网络隐含层的输出作为下一个降噪自编码网络的输入,并在最后一个降噪自编码网络隐含层后添加Softmax分类器,从而构建堆栈降噪自编码网络;利用磨粒铁谱图像对堆栈降噪自编码网络进行无监督预训练,并通过有监督微调优化网络参数,对磨粒铁谱图像进行分类,实现机械设备磨损状态智能识别。实验结果表明:当堆栈降噪自编码网络的激活函数为Relu、优化器为Adam、学习率为0.001时,网络性能最佳,识别准确率达98.43%。
关键词
机械设备
磨损状态识别
铁谱图像
堆栈降噪自编码网络
Keywords
mechanical equipment
wear state recognition
ferrography image of wear particle
stacked denoised auto-encoding network
分类号
TD67 [矿业工程—矿山机电]
下载PDF
职称材料
题名
基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断
2
作者
樊红卫
马宁阁
马嘉腾
陈步冉
曹现刚
张旭辉
机构
西安科技大学机械工程学院
出处
《振动与冲击》
EI
2024年第11期246-254,共9页
基金
国家自然科学基金(52275131
52274158)。
文摘
滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时频图像联合改进Vision Transformer(ViT)网络模型的智能故障诊断新方法。首先针对实际信号研究短时傅里叶变换(short-time Fourier transform, STFT)、连续小波变换(continuous wavelet transform, CWT)和EMDPWVD三种时频分析方法,考虑STFT和CWT无法同时获得高的时间分辨率和频率分辨率,优选EMDPWVD作为智能故障诊断网络的时频图像构造方法。其次,以经典ViT作为故障诊断基础模型,将时频图像按照预定尺寸分块并线性映射为输入序列,通过自注意力机制整合图像全局信息,借助堆叠Transformer编码器完成网络传输,进而实现故障诊断。为进一步提高故障诊断准确率,将池化层作为ViT的预处理网络,获得改进的Pooling ViT(PiT)模型,实现时频图像的空间特征延展,提升模型对输入图像敏感度。结果表明,所提方法对滚动轴承不同故障类型均有高的诊断准确率,PiT较ViT的准确率提高4.40%,证明对ViT加入池化层能够实现滚动轴承故障诊断效果提升。
关键词
滚动轴承
故障诊断
时频图像
Vision
Transformer(ViT)
池化层
Keywords
rolling bearing
fault diagnosis
time-frequency image
Vision Transformer(ViT)
pooling layer
分类号
TH133.33 [机械工程—机械制造及自动化]
U266.81 [机械工程—车辆工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于堆栈降噪自编码网络的机械设备磨损状态识别
樊红卫
马宁阁
张旭辉
高烁琪
曹现刚
马宏伟
《工矿自动化》
北大核心
2020
4
下载PDF
职称材料
2
基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断
樊红卫
马宁阁
马嘉腾
陈步冉
曹现刚
张旭辉
《振动与冲击》
EI
2024
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