安徽大学电气工程与自动化学院 2. 安徽大学计算智能与信号处理教育部重点实验室
纸质出版:2022
移动端阅览
唐纪凯, 卢一相, 柏壮壮, 等. 基于同步压缩小波变换和CNN的滚动轴承故障诊断[J]. 传感器与微系统, 2022,(6):130-133.
基于同步压缩小波变换和CNN的滚动轴承故障诊断[J]. 2022, (6): 130-133.
唐纪凯, 卢一相, 柏壮壮, 等. 基于同步压缩小波变换和CNN的滚动轴承故障诊断[J]. 传感器与微系统, 2022,(6):130-133. DOI: 10.13873/J.1000-9787(2022)06-0130-04.
基于同步压缩小波变换和CNN的滚动轴承故障诊断[J]. 2022, (6): 130-133. DOI: 10.13873/J.1000-9787(2022)06-0130-04.
以智能诊断为出发点,提出一种基于同步压缩小波变换(SWT)和卷积神经网络(CNN)的诊断方法。首先,对振动信号进行SWT获得时频图,随机划分为训练和测试集;然后,利用CNN强大的特征提取能力提取时频图特征;最后,利用SoftMax层进行故障模式的自动诊断。实验结果表明:该方法在滚动轴承的故障诊断中具有较高的可靠性。
以智能诊断为出发点,提出一种基于同步压缩小波变换(SWT)和卷积神经网络(CNN)的诊断方法。首先,对振动信号进行SWT获得时频图,随机划分为训练和测试集;然后,利用CNN强大的特征提取能力提取时频图特征;最后,利用SoftMax层进行故障模式的自动诊断。实验结果表明:该方法在滚动轴承的故障诊断中具有较高的可靠性。
基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法 [J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击 . 2018(19)
深度卷积神经网络的汽车车型识别方法 [J]. 张军,张婷,杨正瓴,朱新山,杨伯轩. 传感器与微系统 . 2016(11)
故障诊断方法现状与展望 [J]. 王宏力,侯青剑. 传感器与微系统 . 2008(05)
Development of a LeNet-5 Gas Identification CNN Structure for Electronic Noses [J] . Guangfen Wei,Gang Li,Jie Zhao,Aixiang He. Sensors . 2019 (1)
Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification [J] . Chen Lu,Zhenya Wang,Bo Zhou. Advanced Engineering Informatics . 2017
Robust face detection using local CNN and SVM based on kernel combination [J] . Qin-Qin Tao,Shu Zhan,Xiao-Hong Li,Toru Kurihara. Neurocomputing . 2016
Fault classification in power systems using EMD and SVM [J] . N. Ramesh Babu,B. Jagan Mohan. Ain Shams Engineering Journal . 2015
Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool [J] . Ingrid Daubechies,Jianfeng Lu,Hau-Tieng Wu. Applied and Computational Harmonic Analysis . 2010 (2)
A roller bearing fault diagnosis method based on EMD energy entropy and ANN [J] . Yang Yu,YuDejie,Cheng Junsheng. Journal of Sound and Vibration . 2005 (1)
Basic vibration signal processing for bearing fault detection [J] . McInerny S.A.,Dai Y.. IEEE Transactions on Education . 2003 (1)
0
浏览量
639
下载量
4
CSCD
关联资源
相关文章
相关作者
相关机构
京公网安备11010802024621