排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
针对滚动轴承退化状态不稳定和传统退化指标不能准确描述轴承退化状态从而导致预测精度不高的问题,课题组提出一种基于快速谱峭度与双树复小波包DTCWPT结合双向长短时记忆网络BiLSTM的轴承寿命预测方法。该方法首先使用快速谱峭度计算故障中心频率;然后使用双树复小波包对信号进行分频处理,选取包含故障中心频率的分频带重构信号提取退化特征,并通过时间相关性、鲁棒性进行特征筛选;最后使用BiLSTM进行寿命预测。试验结果表明课题组所提出的预测方法可以准确预测轴承剩余使用寿命,对比LSTM方法进一步验证了课题组所提方法的有效性。 相似文献
2.
为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰,提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function,IMF)分量,利用光谱放大因子SAF指标自适应筛选最优高信噪比分量;其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征,弱化冗余特征信息,保留目标特征;最后利用门控循环单元GRU提取样本数据时间特征,使得网络得到更充分的学习,提高模型鲁棒性。经试验数据验证:所提出的深度学习智能故障识别模型故障识别准确率达到98.87%;对比一维CNN和CNN LSTM模型,识别准确率分别提高915%和8.86%,验证了该模型的有效性和优越性。 相似文献
1