期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
面向实验教学的增强灰度图与单层次CNN融合电机滚动轴承故障识别
1
作者 陈波 李尧 +1 位作者 孙辉 阚超豪 《实验技术与管理》 2026年第1期234-243,共10页
在电机滚动轴承故障诊断实验教学中,往往依赖传统振动时频信号分析仪器或预置故障的标准数据集进行演示讲解,不利于学生直观理解原始振动信号如何转化为具有判别力的视觉特征并完成智能识别。为此,该文提出增强灰度图与单层次卷积神经网... 在电机滚动轴承故障诊断实验教学中,往往依赖传统振动时频信号分析仪器或预置故障的标准数据集进行演示讲解,不利于学生直观理解原始振动信号如何转化为具有判别力的视觉特征并完成智能识别。为此,该文提出增强灰度图与单层次卷积神经网络(convolutional neural network,CNN)融合的滚动轴承振动特征及故障识别技术。设计了自适应滑动窗截取振动信号,经变分模态分解(variational mode decomposition,VMD)与经验模态分解(empirical mode decomposition,EMD)提取频域特征,构建了频率谱、功率谱多特征灰度图并进行了增强处理,设计了单层CNN模型进行训练并实现故障识别。实验结果表明,增强灰度图方法可以提高识别准确率,单层次CNN网络模型可以减少运行时间,而增强灰度图与单层次CNN融合的滚动轴承振动故障识别方法,通过可视化特征表达与低算力需求支撑了实验教学的实现,能够使学生直观掌握信号转化与故障识别过程,为深度学习的工程化应用提供技术途径。 展开更多
关键词 故障识别 变分模态分解 经验模态分解 增强灰度图 单层次CNN
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部