復合故障診斷或檢測類論文文獻(2021年已發表)

　　復合故障診斷在故障診斷技術中是較為常見的，在實際工程和復雜系統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重要的，下面學術顧問也分享了2021年已發表的復合故障診斷或檢測類論文文獻，發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制特征及特征參數難確定問題,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換為二維數組,將數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網絡(CNN)模型的輸入,對模型進行訓練,確定網絡最佳結構和參數;通過測試集驗證網絡的可行性和有效性。實驗結果表明,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

　　關鍵詞城軌列車軸承 復合故障 卷積神經網絡 故障診斷

　　文獻二、一維深度子領域適配的不同轉速下旋轉機械復合故障診斷

　　摘要旋轉機械復合故障與單一故障樣本間相關性高易造成錯分類,且旋轉機械轉速往往不同,進一步加劇了旋轉機械復合故障診斷的難度。針對上述問題,提出一維深度子領域適配的不同轉速下旋轉機械復合故障診斷方法。首先,以旋轉機械復合故障的頻域信號作為網絡的輸入,最大程度保留信號特征;其次,搭建領域共享的一維卷積神經網絡,對不同轉速下旋轉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域適配層,對齊每對子領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域特征分布差異,以減少不同轉速所帶來的干擾;最后,在子領域適配層后添加softmax分類層,實現對目標數據的故障狀態識別。通過不同轉速旋轉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

　　關鍵詞復合故障 不同轉速 子領域適配 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,將自適應果蠅優化算法(AFOA)與降噪源分離(DSS)相結合,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,利用自適應果蠅優化算法對分離矩陣進行了初步優化,再將分離矩陣作為果蠅個體,負熵作為目標函數,對目標函數最大值進行了全局尋優,進而確定了降噪源分離的最優分離矩陣;以正切函數作為降噪源分離的降噪函數,對內、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、外圈故障特征;此外,通過仿真和實測軸承內、外圈復合故障試驗,將所提方法與基于自適應果蠅優化算法的快速獨立成分分析進行了對比。研究結果表明: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

　　關鍵詞滾動軸承 復合故障診斷 自適應果蠅優化算法 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顧問。

轉載請注明來自發表學術論文網：http://www.zpfmc.com/wenda/28616.html