首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业
              和信息化部
  • 主办:南京航空航天大学
              全国高校机械工程
              测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于深度融合策略的转子轴心轨迹识别研究
Rotor Axis Locus Recognition Based on Deep Fusion Strategy
  
DOI:10.16450/j.cnki.issn.1004?6801.2021.06.005
中文关键词:  特征提取  深度学习  卷积神经网络  自动编码器  轴心轨迹
英文关键词:feature extraction  deep learning  convolutional neural network (CNN)  auto-encoder (AE)  shaft orbit
基金项目:国家自然科学基金资助项目 (51875205,51875216); 广东省自然科学基金资助项目(2018A030310017,2019A1515011780);广东省教育厅资助项目(2018KQNCX191);广州市科技计划资助项目(201904010133);广东省重大科技专项资助项目(2019B090918003);广西科技大学博士基金资助项目(校科博21z59)
作者单位
郭明军1,2, 李伟光2, 杨期江3, 赵学智2 (1.广西科技大学机械与汽车工程学院 柳州545616)(2.华南理工大学机械与汽车工程学院 广州510640)(3.广州航海学院轮机工程学院 广州510725) 
摘要点击次数: 29
全文下载次数: 3
中文摘要:
      针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型(deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM)。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。
英文摘要:
      Aiming at the low accuracy of traditional intelligent fault identification methods of rotating machinery with artificial features as input and the strong dependence of deep learning methods on data volume, Hu invariant moment has the characteristics of telescopic translation and rotation invariance and the advantages of unsupervised learning deep learning model in feature extraction of small sample data. A deep convolutional auto-encoder fault diagnosis model (DCAE-FDM) is proposed, which integrates Hu invariant moment and DCAE features. Firstly, the effective singular value method is used to purify the original vibration signals, and the purified axis orbits are obtained, which are divided into training set and test set in a certain proportion, and the Hu invariant moments of them are calculated respectively. Secondly, the constructed DCAE-FDM model is used to extract the deep auto encoding features. Thirdly, the two features are fused together, and the fusion features of training set are taken to train back propagation (BP) neural network. Finally, the fusion feature of test set is used to test the trained model. Results show that the recognition effect of the proposed method is significantly better than that of the deep learning method and the traditional recognition method. The average accuracy of the former is 98.5%, about 6 percentage points higher than that of the suboptimal model.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2771822位访问者 本站今日一共被访问130

技术支持:北京勤云科技发展有限公司