- 博客(6)
- 收藏
- 关注
RSS订阅
原创 基于一维卷积神经网络的滚动轴承故障识别
基于一维卷积神经网络的滚动轴承故障识别提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录基于一维卷积神经网络的滚动轴承故障识别一、数据预处理二、模型搭建三、使用步骤1.引入库2.读入数据总结一、数据预处理采用美国凯斯西储大学(CWRU) 的开放轴承数据库的样本进行实验分析，轴承故障产生的实验台如下图所示。使用电火花加工技术分别在轴承的内圈、外圈和滚动体上引入单点缺陷，故障尺寸分别为 7、14和21 in，以48kHz采样频率采集不同负载下的故障轴承振动数据用于实验分析。
2021-01-25 15:14:37
7988
48
原创 基于CNN-BiLSTM-Attention混合神经网络的滚动轴承故障诊断方法
混合神经网络故障诊断模型主要由CNN层、BiLSTM层、注意力层组层以及softmax层组成。
2022-06-08 13:59:41
5284
30
原创 基于多尺度卷积神经网络的滚动轴承故障诊断
一、实验数据采用美国凯斯西储大学(CWRU) 轴承数据库的样本进行实验分析，选取48K采样频率不同负载下的故障轴承振动数据用于实验分析。本文实验样本选取用1 hp 下 10 种故障状态振动信号，构建数据集，每类样本长度为1024，其中，随机选择80%的样本作为训练集对模型进行训练，20%的样本作为测试对模型进行测试。具体信息如下。二、模型框架模型在1D_CNN中卷积层前添加一个多尺度的信息融合层，即经过数据处理层后，利用大尺度的3种不同的卷积核分别对输入的信号进行卷积操作，并对所提取的特征进行融合，
2021-11-30 16:47:18
4104
48
原创 基于残差连接结合1D_CNN的滚动轴承故障诊断
一、试验数据本次依旧采用的数据集还是凯斯西储大学滚动轴承数据集，数据的形式和之前的一样。二、模型结构本次的模为1D_CNN结合残差网络的直连结构，残差结构直连能够避免深度梯度消失，一维卷积神经网络是运用一维卷积对一维时序序列进行特征提取的卷积神经网络，能够保证在不损失时序特征的同时提取局部特征，对于轴承振动信号这样的周期的时间序列分析是非常有效的，模型结构如下。三、实验结果及分析训练模型数据依旧是一维时域信号，训练集和验证对模型进行训练，并保存模型结构，为.h5文件。训练结果如下所示四、模型
2021-11-22 19:36:55
2711
9
原创 基于多通道的一维卷积神经网络故障诊断
一、数据准备本次采用的PHM 2009 Challenge Data的全套齿轮箱数据集进行实验分析，包括齿轮、轴承以及轴的故障。其实验平台如下图所示：本次选用50HZ的转速下低负载通道1的振动信号数据进行构建数据集，每类样本长度为1024，每种模式下共截取260组信号样本，其中随机选择70%的样本进行模型训练，20%的样本进行模型测试。具体信息如下表所示：数据集划分好后，利用EMD处理信号，每条样本均可分解得到7个IMF分量，且每一组分解得到的IMF分量对应着齿轮箱故障模式的一个类，第一种故障模式
2021-04-07 18:31:29
4979
36
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人