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
4
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GAF-CNN的机组振动信号特征提取方法研究
1
作者
贾岳鹏
赵道利
+1 位作者
安学利
黄秋红
《大电机技术》
2024年第3期29-35,共7页
随着水电机组运行时间增长,机组运行数据不断增加,在机组健康状态识别过程中存在着健康样本过多、特征参数不明显等问题。本文结合格拉姆角场(GAF)与卷积神经网络(CNN)在特征表达与提取方面的优势,对水电机组健康运行数据进行处理。通...
随着水电机组运行时间增长,机组运行数据不断增加,在机组健康状态识别过程中存在着健康样本过多、特征参数不明显等问题。本文结合格拉姆角场(GAF)与卷积神经网络(CNN)在特征表达与提取方面的优势,对水电机组健康运行数据进行处理。通过格拉姆角场将机组振动信号进行编码并生成相应特征图像,进而将其输入至卷积神经网络(CNN)模型以达到特征提取及分类的目的。使用仿真数据与机组实测数据,将GAF-CNN模型与传统长短期记忆(LSTM)网络模型进行对比,结果表明,GAF-CNN模型的特征提取方法具有更高的准确度与鲁棒性,在面对更长时间序列数据时依然能保持良好的准确度与抗噪性能,为水电机组健康评估模型性能提升提供数据基础。
展开更多
关键词
水电机组
格拉姆角场
特征提取
卷积神经网络
下载PDF
职称材料
基于双通道GAF和深度残差网络的电能质量复合扰动识别
被引量:
11
2
作者
贺才郡
李开成
+4 位作者
杨王旺
董宇飞
宋朝霞
范伟欣
王伟
《电网技术》
EI
CSCD
北大核心
2023年第1期369-376,共8页
针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResN...
针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码,然后采用双通道GAF方法保留信号时序特征并映射成为二维图像,形成信息充足、特征明显的双通道图像训练集,在此基础上利用ResNet进行深层次的特征提取,构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强,且抗噪性能好,并且对复合扰动识别率高。
展开更多
关键词
电能质量扰动
格拉姆角场
二维图像
深度残差网络
扰动识别
下载PDF
职称材料
基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别
被引量:
22
3
作者
张训杰
张敏
李贤均
《振动与冲击》
EI
CSCD
北大核心
2021年第23期194-201,207,共9页
为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积...
为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型。首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别。通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63%以及99.28%,其效果均优于其他常用算法,证明了所提方法的可行性。
展开更多
关键词
滚动轴承
故障诊断
格拉姆角场(GAF)
二维图像
卷积神经网络(CNN)
双向门控循环单元(BiGRU)
下载PDF
职称材料
基于GADF-CNN的滚动轴承故障诊断方法
被引量:
31
4
作者
仝钰
庞新宇
魏子涵
《振动与冲击》
EI
CSCD
北大核心
2021年第5期247-253,260,共8页
针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生...
针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。
展开更多
关键词
轴承故障诊断
深度学习
格拉姆角差域
卷积神经网络
下载PDF
职称材料
题名
基于GAF-CNN的机组振动信号特征提取方法研究
1
作者
贾岳鹏
赵道利
安学利
黄秋红
机构
西安理工大学
中国水利水电科学研究院
出处
《大电机技术》
2024年第3期29-35,共7页
基金
国家自然科学基金(52179089)
中国水科院基本科研业务费项目(TJ0145B022021)。
文摘
随着水电机组运行时间增长,机组运行数据不断增加,在机组健康状态识别过程中存在着健康样本过多、特征参数不明显等问题。本文结合格拉姆角场(GAF)与卷积神经网络(CNN)在特征表达与提取方面的优势,对水电机组健康运行数据进行处理。通过格拉姆角场将机组振动信号进行编码并生成相应特征图像,进而将其输入至卷积神经网络(CNN)模型以达到特征提取及分类的目的。使用仿真数据与机组实测数据,将GAF-CNN模型与传统长短期记忆(LSTM)网络模型进行对比,结果表明,GAF-CNN模型的特征提取方法具有更高的准确度与鲁棒性,在面对更长时间序列数据时依然能保持良好的准确度与抗噪性能,为水电机组健康评估模型性能提升提供数据基础。
关键词
水电机组
格拉姆角场
特征提取
卷积神经网络
Keywords
hydroelectric generator units
gram angular field
feature extraction
convolutional neural network
分类号
TM312 [电气工程—电机]
下载PDF
职称材料
题名
基于双通道GAF和深度残差网络的电能质量复合扰动识别
被引量:
11
2
作者
贺才郡
李开成
杨王旺
董宇飞
宋朝霞
范伟欣
王伟
机构
华中科技大学电气与电子工程学院
国家电网武汉供电公司
出处
《电网技术》
EI
CSCD
北大核心
2023年第1期369-376,共8页
基金
国家自然科学基金项目(52077089)。
文摘
针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码,然后采用双通道GAF方法保留信号时序特征并映射成为二维图像,形成信息充足、特征明显的双通道图像训练集,在此基础上利用ResNet进行深层次的特征提取,构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强,且抗噪性能好,并且对复合扰动识别率高。
关键词
电能质量扰动
格拉姆角场
二维图像
深度残差网络
扰动识别
Keywords
power quality disturbances
gram angular field
s
two-dimensional image
depth residual network
disturbance identification
分类号
TM721 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别
被引量:
22
3
作者
张训杰
张敏
李贤均
机构
西南交通大学机械工程学院
西南交通大学轨道交通运维技术与装备四川省重点实验室
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第23期194-201,207,共9页
基金
中国博士后科学基金(2020M673279)
国家重点研发计划(2020YFB1712200)
+1 种基金
四川省科技计划(2020JDTD0012)
中铁工程服务资助项目(2019H010103)。
文摘
为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型。首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别。通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63%以及99.28%,其效果均优于其他常用算法,证明了所提方法的可行性。
关键词
滚动轴承
故障诊断
格拉姆角场(GAF)
二维图像
卷积神经网络(CNN)
双向门控循环单元(BiGRU)
Keywords
rolling bearing
fault diagnosis
gram angular field
(GAF)
2D image
convolutional neural network(CNN)
bidirectional gated recurrent unit(BiGRU)
分类号
TH165.3 [机械工程—机械制造及自动化]
TN911.7 [电子电信—通信与信息系统]
下载PDF
职称材料
题名
基于GADF-CNN的滚动轴承故障诊断方法
被引量:
31
4
作者
仝钰
庞新宇
魏子涵
机构
太原理工大学机械与运载工程学院
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第5期247-253,260,共8页
基金
国家自然科学基金(51805352)
山西省面上自然基金项目(201901D111062)。
文摘
针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。
关键词
轴承故障诊断
深度学习
格拉姆角差域
卷积神经网络
Keywords
bearing fault diagnosis
deep learning
gram
angular
difference
field
(GADF)
convolutional neural network(CNN)
分类号
TH212 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于GAF-CNN的机组振动信号特征提取方法研究
贾岳鹏
赵道利
安学利
黄秋红
《大电机技术》
2024
0
下载PDF
职称材料
2
基于双通道GAF和深度残差网络的电能质量复合扰动识别
贺才郡
李开成
杨王旺
董宇飞
宋朝霞
范伟欣
王伟
《电网技术》
EI
CSCD
北大核心
2023
11
下载PDF
职称材料
3
基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别
张训杰
张敏
李贤均
《振动与冲击》
EI
CSCD
北大核心
2021
22
下载PDF
职称材料
4
基于GADF-CNN的滚动轴承故障诊断方法
仝钰
庞新宇
魏子涵
《振动与冲击》
EI
CSCD
北大核心
2021
31
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