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：
基于改进变模态分解和宽核深度卷积神经网络的中介轴承故障诊断方法
1
作者 田晶 谢肇阳 +1 位作者 吕静宜 林政 《推进技术》 北大核心 2026年第1期309-320,共12页
针对中介轴承受背景噪声干扰导致故障特征提取困难且诊断识别率低的问题,提出一种基于河马算法(Hippopotamus Optimization Algorithm,HO)改进变模态分解(Variational Mode Decomposition,VMD)、并结合第一层宽卷积核深度卷积神经网络(D... 针对中介轴承受背景噪声干扰导致故障特征提取困难且诊断识别率低的问题,提出一种基于河马算法(Hippopotamus Optimization Algorithm,HO)改进变模态分解(Variational Mode Decomposition,VMD)、并结合第一层宽卷积核深度卷积神经网络(Deep Convolutional Neural Networks with Wide First-layer Kernel,WDCNN)的故障诊断方法。该方法首先综合包络谱能量、峭度和排列熵构建多维度联合指标作为适应度函数,通过河马算法寻优确定VMD关键变量参数,其次,将原始信号分解后,根据相关系数-样本熵准则筛选有效模态分量进行重构,最后,将重构信号作为样本输入WDCNN模型完成故障诊断。凯斯西储大学轴承数据集试验结果表明:重构信号多次诊断的准确率为98.30%,相较于支持向量机、反向传播神经网络与一维卷积神经网络诊断有更高的正确率;对于自建中介轴承故障模拟试验台数据的多次诊断的平均准确率为96.4%,多种分类方法准确率平均优化了18.9%,稳定性优化了52%。证明该提方法能够去除噪声等非线性干扰成分,有效提升故障诊断模型分类准确性。 展开更多
关键词 中介轴承 多维度联合函数 河马算法 变模态分解 第一层宽卷积核深度卷积神经网络
原文传递
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