復(fù)合故障診斷或檢測(cè)類論文文獻(xiàn)(2021年已發(fā)表)

　　復(fù)合故障診斷在故障診斷技術(shù)中是較為常見的，在實(shí)際工程和復(fù)雜系統(tǒng)中也會(huì)存在多個(gè)故障，做好故障診斷或者檢測(cè)對(duì)工程順利開展是至關(guān)重要的，下面學(xué)術(shù)顧問也分享了2021年已發(fā)表的復(fù)合故障診斷或檢測(cè)類論文文獻(xiàn)，發(fā)表論文人員可作為參考：

　　文獻(xiàn)一、基于深度學(xué)習(xí)的城軌列車軸承復(fù)合故障診斷研究

　　摘要針對(duì)軸承復(fù)合故障振動(dòng)信號(hào)的多分量耦合調(diào)制特征及特征參數(shù)難確定問題,提出一種基于深度學(xué)習(xí)的城軌列車軸承復(fù)合故障診斷方法。對(duì)軸承振動(dòng)信號(hào)進(jìn)行標(biāo)準(zhǔn)化處理并轉(zhuǎn)換為二維數(shù)組,將數(shù)組以灰度圖形式存儲(chǔ)得到特征樣本,分為訓(xùn)練集和測(cè)試集。將訓(xùn)練集作為卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型的輸入,對(duì)模型進(jìn)行訓(xùn)練,確定網(wǎng)絡(luò)最佳結(jié)構(gòu)和參數(shù);通過測(cè)試集驗(yàn)證網(wǎng)絡(luò)的可行性和有效性。實(shí)驗(yàn)結(jié)果表明,基于深度學(xué)習(xí)的城軌列車軸承復(fù)合故障診斷方法,可有效識(shí)別城軌列車軸承復(fù)合故障,為軸承復(fù)合故障辨識(shí)提供了一種新思路。

　　出處《鐵道學(xué)報(bào)》 EI CAS CSCD 北大核心 2021年第6期37-44,共8頁(yè)

　　關(guān)鍵詞城軌列車軸承 復(fù)合故障 卷積神經(jīng)網(wǎng)絡(luò) 故障診斷

　　文獻(xiàn)二、一維深度子領(lǐng)域適配的不同轉(zhuǎn)速下旋轉(zhuǎn)機(jī)械復(fù)合故障診斷

　　摘要旋轉(zhuǎn)機(jī)械復(fù)合故障與單一故障樣本間相關(guān)性高易造成錯(cuò)分類,且旋轉(zhuǎn)機(jī)械轉(zhuǎn)速往往不同,進(jìn)一步加劇了旋轉(zhuǎn)機(jī)械復(fù)合故障診斷的難度。針對(duì)上述問題,提出一維深度子領(lǐng)域適配的不同轉(zhuǎn)速下旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法。首先,以旋轉(zhuǎn)機(jī)械復(fù)合故障的頻域信號(hào)作為網(wǎng)絡(luò)的輸入,最大程度保留信號(hào)特征;其次,搭建領(lǐng)域共享的一維卷積神經(jīng)網(wǎng)絡(luò),對(duì)不同轉(zhuǎn)速下旋轉(zhuǎn)機(jī)械復(fù)合故障的頻域信號(hào)特征進(jìn)行學(xué)習(xí);然后,添加局部最大均值差異形成子領(lǐng)域適配層,對(duì)齊每對(duì)子領(lǐng)域分布以避免單一故障和復(fù)合故障的特征混合,并通過最小化局部最大均值差異值縮小兩域子領(lǐng)域特征分布差異,以減少不同轉(zhuǎn)速所帶來的干擾;最后,在子領(lǐng)域適配層后添加softmax分類層,實(shí)現(xiàn)對(duì)目標(biāo)數(shù)據(jù)的故障狀態(tài)識(shí)別。通過不同轉(zhuǎn)速旋轉(zhuǎn)機(jī)械復(fù)合故障診斷實(shí)驗(yàn)證明了所提方法的有效性。

　　出處《儀器儀表學(xué)報(bào)》 EI CAS CSCD 北大核心 2021年第5期227-234,共8頁(yè)

　　關(guān)鍵詞復(fù)合故障 不同轉(zhuǎn)速 子領(lǐng)域適配 故障診斷

　　文獻(xiàn)三、基于AFOA的降噪源分離在軸承復(fù)合故障診斷中的試驗(yàn)研究

　　摘要源分離算法的分離性能受到分離矩陣的影響,不能自適應(yīng)地分離滾動(dòng)軸承的復(fù)合故障特征,針對(duì)這一問題,將自適應(yīng)果蠅優(yōu)化算法(AFOA)與降噪源分離(DSS)相結(jié)合,提出了一種基于AFOA算法的滾動(dòng)軸承復(fù)合故障降噪源分離方法。首先,利用自適應(yīng)果蠅優(yōu)化算法對(duì)分離矩陣進(jìn)行了初步優(yōu)化,再將分離矩陣作為果蠅個(gè)體,負(fù)熵作為目標(biāo)函數(shù),對(duì)目標(biāo)函數(shù)最大值進(jìn)行了全局尋優(yōu),進(jìn)而確定了降噪源分離的最優(yōu)分離矩陣;以正切函數(shù)作為降噪源分離的降噪函數(shù),對(duì)內(nèi)、外圈復(fù)合故障軸承振動(dòng)信號(hào)進(jìn)行了估計(jì);最后,進(jìn)行了包絡(luò)分析,提取出了軸承內(nèi)、外圈故障特征;此外,通過仿真和實(shí)測(cè)軸承內(nèi)、外圈復(fù)合故障試驗(yàn),將所提方法與基于自適應(yīng)果蠅優(yōu)化算法的快速獨(dú)立成分分析進(jìn)行了對(duì)比。研究結(jié)果表明:AFOA-DSS方法能夠更精確分離滾動(dòng)軸承的復(fù)合故障特征,實(shí)現(xiàn)對(duì)軸承復(fù)合故障的診斷;該方法的有效性和實(shí)用性得到了驗(yàn)證。

　　出處《機(jī)電工程》 CAS 北大核心 2021年第6期681-688,共8頁(yè)

　　關(guān)鍵詞滾動(dòng)軸承 復(fù)合故障診斷 自適應(yīng)果蠅優(yōu)化算法 降噪源分離 負(fù)熵 快速獨(dú)立成分分析

　　以上是復(fù)合故障診斷或檢測(cè)方向的論文文獻(xiàn)，是比較新穎的文獻(xiàn)，具有較高的參考價(jià)值，也有作者想要了解更多的參考文獻(xiàn)，或者是故障診斷方向投稿期刊知識(shí)，歡迎隨時(shí)咨詢?cè)诰�學(xué)術(shù)顧問。

轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///wenda/28616.html