購物車(0)
基于動(dòng)態(tài)統(tǒng)計(jì)濾波與深度學(xué)習(xí)的智能故障診斷方法
關(guān)鍵詞：故障診斷 卷積神經(jīng)網(wǎng)絡(luò) 電流信號(hào) 深度學(xué)習(xí)
摘要：電流信號(hào)具有易采集、不易受環(huán)境噪聲影響的優(yōu)點(diǎn),為難以通過振動(dòng)傳感器采集信號(hào)的特殊設(shè)備提供了可行的監(jiān)測(cè)診斷思路,但電流信號(hào)也存在故障特征難以提取等問題。為此,將改進(jìn)的動(dòng)態(tài)統(tǒng)計(jì)濾波與深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)結(jié)合,提出一種基于電流信號(hào)進(jìn)行機(jī)械設(shè)備智能故障診斷的方法。引入綜合信息量指標(biāo)(SIpq)優(yōu)化濾波效果,基于改進(jìn)的動(dòng)態(tài)統(tǒng)計(jì)濾波方法,使不同狀態(tài)信號(hào)間的特征差異最大化,以提高狀態(tài)識(shí)別精度;通過交替堆疊特征圖尺寸不變的卷積層與逐層遞減的池化層,構(gòu)建DCNN,提取電流信號(hào)中的高維故障特征。將動(dòng)態(tài)統(tǒng)計(jì)濾波后的特征增強(qiáng)圖像輸入DCNN,識(shí)別故障類型。為驗(yàn)證方法有效性,以不平衡、不對(duì)中、松動(dòng)3種故障為對(duì)象進(jìn)行故障類型識(shí)別,分析結(jié)果表明,所提方法可有效識(shí)別故障類型,與傳統(tǒng)的ANN、CNN等其他方法對(duì)比具有較好的識(shí)別精度。
儀器儀表學(xué)報(bào)雜志要求:
{1}注釋：將注釋按正文中出現(xiàn)的先后順序排列編號(hào)，用數(shù)字加圓圈標(biāo)注，并集中排列在正文后。
{2}來稿以未在國(guó)內(nèi)外正式發(fā)表為限。
{3}正文的層次標(biāo)題應(yīng)簡(jiǎn)短明了，以15字為限，不用標(biāo)點(diǎn)符號(hào)，其層次的劃分及編號(hào)一律使用阿拉伯?dāng)?shù)字分級(jí)編號(hào)法。
{4}“題目”應(yīng)明晰（必要時(shí)可加副標(biāo)題），并附有200字左右以內(nèi)的“摘要”和3-5個(gè)“關(guān)鍵詞”。
{5}稿件研究?jī)?nèi)容如獲得課題或基金資助，請(qǐng)注明其名稱及項(xiàng)目號(hào)。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
