深度时间-频率残差神经网络方法在恒速变化环境下的轴承故障诊断中的应用
李顺明、
史文北、
张建芬、
张俊、
张海波、
卢建涛
《Electronics》:Deep Time–Frequency Residual Neural Network Method for Bearing Fault Diagnosis Under Constantly Speed Changing
Shunming Li,
Wenbei Shi,
Jianfen Zhang,
Jun Zhang,
Haibo Zhang and
Jiantao Lu
【字体:
大
中
小
】
时间:2026年05月06日
来源:Electronics 2.6
编辑推荐:
```
摘要
为在连续变化旋转速度下运行的相同机械设备中的轴承故障识别出一种一致性的诊断方法仍然是一个关键挑战。在这项研究中,提出了一种时频残差神经网络方法,该方法将短
```
摘要
为在连续变化旋转速度下运行的相同机械设备中的轴承故障识别出一种一致性的诊断方法仍然是一个关键挑战。在这项研究中,提出了一种时频残差神经网络方法,该方法将短时傅里叶变换(STFT)与深度残差连接相结合。首先,利用STFT将振动信号转换为时频表示形式,从而构建训练和测试数据集。训练数据集用于训练深度残差神经网络,而测试数据集用于评估其性能。采用批量归一化(BN)来增强训练稳定性,并采用自适应调优(Adapter Tuning)进行参数微调以提高收敛效率。在利用公开可用的数据集验证了所提出的深度时频残差网络的有效性后,进一步通过来自专用实验测试平台的轴承振动数据对其诊断准确性和实际应用性进行了验证。实验验证结果表明,在变化轴承旋转速度下的故障诊断中,该方法在仅200次迭代后就能达到约97.25%的准确率。使用包含三个残差块的模型结构时,在输入样本量为3000的情况下可以达到最佳的诊断性能。
```
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号