復合故障診斷或檢測類論文文獻(2021年已發(fā)表)

　　復合故障診斷在故障診斷技術(shù)中是較為常見的，在實際工程和復雜系統(tǒng)中也會存在多個故障，做好故障診斷或者檢測對工程順利開展是至關(guān)重要的，下面學術(shù)顧問也分享了2021年已發(fā)表的復合故障診斷或檢測類論文文獻，發(fā)表論文人員可作為參考：

　　文獻一、基于深度學習的城軌列車軸承復合故障診斷研究

　　摘要針對軸承復合故障振動信號的多分量耦合調(diào)制特征及特征參數(shù)難確定問題,提出一種基于深度學習的城軌列車軸承復合故障診斷方法。對軸承振動信號進行標準化處理并轉(zhuǎn)換為二維數(shù)組,將數(shù)組以灰度圖形式存儲得到特征樣本,分為訓練集和測試集。將訓練集作為卷積神經(jīng)網(wǎng)絡(CNN)模型的輸入,對模型進行訓練,確定網(wǎng)絡最佳結(jié)構(gòu)和參數(shù);通過測試集驗證網(wǎng)絡的可行性和有效性。實驗結(jié)果表明,基于深度學習的城軌列車軸承復合故障診斷方法,可有效識別城軌列車軸承復合故障,為軸承復合故障辨識提供了一種新思路。

　　出處《鐵道學報》 EI CAS CSCD 北大核心 2021年第6期37-44,共8頁

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

　　文獻二、一維深度子領(lǐng)域適配的不同轉(zhuǎn)速下旋轉(zhuǎn)機械復合故障診斷

　　摘要旋轉(zhuǎn)機械復合故障與單一故障樣本間相關(guān)性高易造成錯分類,且旋轉(zhuǎn)機械轉(zhuǎn)速往往不同,進一步加劇了旋轉(zhuǎn)機械復合故障診斷的難度。針對上述問題,提出一維深度子領(lǐng)域適配的不同轉(zhuǎn)速下旋轉(zhuǎn)機械復合故障診斷方法。首先,以旋轉(zhuǎn)機械復合故障的頻域信號作為網(wǎng)絡的輸入,最大程度保留信號特征;其次,搭建領(lǐng)域共享的一維卷積神經(jīng)網(wǎng)絡,對不同轉(zhuǎn)速下旋轉(zhuǎn)機械復合故障的頻域信號特征進行學習;然后,添加局部最大均值差異形成子領(lǐng)域適配層,對齊每對子領(lǐng)域分布以避免單一故障和復合故障的特征混合,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,實現(xiàn)對目標數(shù)據(jù)的故障狀態(tài)識別。通過不同轉(zhuǎn)速旋轉(zhuǎn)機械復合故障診斷實驗證明了所提方法的有效性。

　　出處《儀器儀表學報》 EI CAS CSCD 北大核心 2021年第5期227-234,共8頁

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

　　文獻三、基于AFOA的降噪源分離在軸承復合故障診斷中的試驗研究

　　摘要源分離算法的分離性能受到分離矩陣的影響,不能自適應地分離滾動軸承的復合故障特征,針對這一問題,將自適應果蠅優(yōu)化算法(AFOA)與降噪源分離(DSS)相結(jié)合,提出了一種基于AFOA算法的滾動軸承復合故障降噪源分離方法。首先,利用自適應果蠅優(yōu)化算法對分離矩陣進行了初步優(yōu)化,再將分離矩陣作為果蠅個體,負熵作為目標函數(shù),對目標函數(shù)最大值進行了全局尋優(yōu),進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),對內(nèi)、外圈復合故障軸承振動信號進行了估計;最后,進行了包絡分析,提取出了軸承內(nèi)、外圈故障特征;此外,通過仿真和實測軸承內(nèi)、外圈復合故障試驗,將所提方法與基于自適應果蠅優(yōu)化算法的快速獨立成分分析進行了對比。研究結(jié)果表明:AFOA-DSS方法能夠更精確分離滾動軸承的復合故障特征,實現(xiàn)對軸承復合故障的診斷;該方法的有效性和實用性得到了驗證。

　　出處《機電工程》 CAS 北大核心 2021年第6期681-688,共8頁

　　關(guān)鍵詞滾動軸承 復合故障診斷 自適應果蠅優(yōu)化算法 降噪源分離 負熵 快速獨立成分分析

　　以上是復合故障診斷或檢測方向的論文文獻，是比較新穎的文獻，具有較高的參考價值，也有作者想要了解更多的參考文獻，或者是故障診斷方向投稿期刊知識，歡迎隨時咨詢在線學術(shù)顧問。

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