您现在的位置: 首页> 研究主题> 轴承故障诊断

轴承故障诊断

轴承故障诊断的相关文献在1988年到2023年内共计1220篇,主要集中在机械、仪表工业、自动化技术、计算机技术、无线电电子学、电信技术 等领域,其中期刊论文200篇、会议论文7篇、专利文献286106篇;相关期刊106种,包括西安交通大学学报、计量学报、噪声与振动控制等; 相关会议4种,包括中国国防科技质量与可靠性高峰论坛、中国兵工学会第十二届测试技术学术年会、中国造纸学会第十二届学术年会等;轴承故障诊断的相关文献由3182位作者贡献,包括向家伟、朱忠奎、杨绍普等。

轴承故障诊断—发文量

期刊论文>

论文:200 占比:0.07%

会议论文>

论文:7 占比:0.00%

专利文献>

论文:286106 占比:99.93%

总计:286313篇

轴承故障诊断—发文趋势图

轴承故障诊断

-研究学者

  • 向家伟
  • 朱忠奎
  • 杨绍普
  • 江星星
  • 康守强
  • 王庆岩
  • 王玉静
  • 沈长青
  • 严如强
  • 谢金宝
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

期刊

作者

    • 田勇; 董国贵
    • 摘要: 针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法.首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练.使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99%.通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力.
    • 刘冬冬
    • 摘要: 深度学习是机器学习的一个领域。目前,已成为一种有前途的智能轴承故障诊断工具。本研究对深度学习在轴承故障诊断方面的应用进行系统综述。简要介绍了三种流行的轴承故障诊断深度学习算法:自动编码器、受限玻尔兹曼机和卷积神经网络,并讨论了该研究领域的进一步应用和挑战。
    • 计算机与数字工程编辑部
    • 摘要: 《计算机与数字工程》杂志2021年第49卷第2期,第333页,《基于粒子群优化以及深度胶囊网络的轴承故障诊断》一文第一作者张振良。其单位错误,更正为:鄂尔多斯应用技术学院。
    • 李中; 卢春华; 王星; 班双双
    • 摘要: 针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法。该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应。仿真实验结果表明:相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能。
    • 庄燕
    • 摘要: 为了提高轴承故障诊断的准确率,提出了一种轴承故障的全视角特征提取方法和专家森林算法的模式诊断方法。在故障特征提取方面,首先从时域、频域、时频域选择参数,以此来作为初始故障特征库,而后使用KPCA提取了基础故障库的全局结构特征,使用t-SNE算法提取了基础故障库的局部结构特征,从而保留了对故障模式相对敏感的全视角特征参数;在故障模式识别方面,为决策树赋予了专家属性和专家权值,得到了专家树的概念,基于专家树思想提出了专家森林算法,解决了随机森林算法无差别对待决策树的问题;最后采用实验的方式,对轴承故障全视角特征提取方法和基于专家森林算法的模式诊断方法进行了验证。研究结果表明:由KPCA+t-SNE结合提取的全视角故障特征优于单独提取的全局结构特征与局部结构特征;随机森林算法的诊断准确率均值为96.14%,专家森林算法的故障诊断准确率均值为99.48%,比随机森林算法提高了3.47%,验证了所提故障诊断方法的优越性。
    • 田威威; 陈俊杰; 林意
    • 摘要: 针对不同工况下的数据无法直接训练并用于检测的问题,提出一种基于迁移成分分析和词包模型的诊断算法,对于用作训练的有标签源域数据和用作检验诊断的无标签目标域数据。首先使用短时傅里叶变换将两者转换为频域数据,其次通过迁移成分分析将两者的频谱能量映射到同一分布以建立相应的词包模型作为数据的特征,最后在源域数据的词包模型上训练出合适的分类器从而进行诊断。在西门子SQI-MFS平台实验数据集、凯斯西储大学公开数据集及机械故障预防技术协会MFPT(machinery failure prevention technology)数据集下的实验结果表明该算法是有效的。
    • 夏懿; 徐文学
    • 摘要: 针对轴承在不同工况条件下的振动数据存在分布差异,导致诊断精度低的问题,提出一种新的深度自适应网络用于跨域条件下的轴承故障诊断。采用傅里叶变换将原始时域振动信号转换为频域信号并通过深度特征提取器提取其分类特征;利用最大均值差异(maximize mean discrepancy,MMD)来进行深度特征的边缘分布对齐;利用Wasserstein度量网络将源域中有标签数据的类别结构与目标域中无标签数据的类别结构进行匹配,即对齐不同域的类别条件分布,使得故障数据在不同域的分布能够更好的对齐,从而提高模型在目标域未标签数据集上的分类准确率。试验利用凯斯西储大学公开的故障轴承数据集进行了两种跨域条件的模型迁移,验证了该网络在不同迁移场景中都具有较高的准确率,且优于其他深度自适应网络。
    • 胡小曼; 王艳; 纪志成
    • 摘要: 为解决轴承故障特征不易提取,轴承故障的辨识效果不佳等一系列问题,提出基于改进自适应完整集成经验模态分解(ICEEMDAN)-自适应混沌麻雀搜索算法(SATCSSA)优化最小二乘支持向量机(LSSVM)的滚动轴承故障诊断方法。首先,通过ICEEMDAN对滚动轴承信号进行故障特征提取,产生多个本征模态函数分量,结合相关系数原则通过提取能量(Shannon)熵,计算其能量百分比作为特征值输入;针对LSSVM易受核参数与惩罚函数影响,引入混沌理论、自适应理论、高斯变异等来改进麻雀搜索算法优化LSSVM参数,构建故障诊断模型。最后,将提取到的特征值输入最小二乘支持向量机进行故障诊断。对比结果表明所提方法能有效进行故障辨识,并且准确率更高,与其他方法相比,故障诊断精度明显提高。
    • 黄磊; 马圣; 曹永华
    • 摘要: 为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型。在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90%的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图片,并构建训练集、校验集和测试集;利用GoogLeNet模型对训练集进行特征学习,并将训练后的GoogLeNet模型用于测试轴承故障样本。结果表明:在GAF构建的数据集下,GoogLeNet模型能够使得轴承故障样本被较好地识别。
    • 袁彩艳; 孙洁娣; 温江涛; 时培明; 闫盛楠
    • 摘要: 针对滚动轴承原始时域信号信息单一、深度卷积神经网络提取的特征对信息的传递存在差异等问题,该研究提出了一种多域信息融合与改进残差密集网络的轴承故障诊断方法。为了获取故障的多方面信息,先对原始数据进行多域变换,再将融合信息输入经卷积注意力改进的残差密集网络进行深度学习。经注意力机制改进的网络能够实现对提取特征的重要性区分,提高网络的训练速度、改善识别准确率。试验结果及对比分析表明该算法可以提取较为全面的特征,较传统方法具有更好的识别效果。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号