作者:张鑫,郭顺生,李益兵,江丽 单位:中国机械工程学会 出版:《机械工程学报》2020年第01期 页数:13页  (PDF与DOC格式可能不同) PDF编号:PDFJXXB2020010080 DOC编号:DOCJXXB2020010089 下载格式:PDF + Word/doc 文字可复制、可编辑
《基于CNN-SVM和特征融合的齿轮箱故障诊断》PDF+DOC2020年第08期 饶雷,唐向红,陆见光 《基于LE与ICROA-RVM的瓦斯传感器故障诊断》PDF+DOC2019年第01期 徐耀松,邱微,王治国,王雨虹,阎馨 《分级自适应多传感器融合与机械振动监测诊断》PDF+DOC2000年第08期 申弢,韩守木,黄树红,许煜兵 《多传感器数据融合技术研究与展望》PDF+DOC2015年第05期 周鹏 《一种民航发动机传感器非线性故障诊断方法》PDF+DOC 王力,孙贺 《石油钻井泵监测与诊断》PDF+DOC1998年第01期 张明洪,张万福,易锋,杨铁军,彭贵章,曾光 《输电导线机械破损的红外检测与故障诊断》PDF+DOC1999年第06期 吴功平,戴锦春,郭应龙,胡杰 《基于小波变换和LS-SVM的雷达故障诊断》PDF+DOC2013年第02期 涂望明,宋执环,陈运涛,魏友国,周晶晶 《正交迭代局部Fisher判别转子故障诊断》PDF+DOC2010年第05期 王广斌,刘义伦,黄良沛 《特征融合与GA-SVM在刀具状态监测中的应用研究》PDF+DOC2015年第04期 李顺才,李巍,吴明明
  • 针对机械设备故障诊断过程中有标签样本不足,结合流形学习与深度学习的思想,提出了基于拉普拉斯特征映射(Laplacian eigenmap, LE)和深度置信网络(Deep belief network, DBN)的半监督故障识别模型。该模型运用LE算法直接对原始高维振动信号进行特征提取,将低维流形特征输入DBN,利用少量昂贵的有标签样本和大量廉价的无标签样本,二次挖掘故障特征,并构建Soft-max分类器最终识别出机械设备的故障模式。将该半监督模型应用于轴承故障和齿轮裂纹的识别中,试验结果表明,LE算法有效降低了模型的时间复杂度,增强了特征提取的智能性,提高了诊断效率;DBN网络可以充分挖掘故障特性,得到更好的特征表示,提高了分类精度。此外,该模型在不平衡的训练标签下也实现了很好的诊断效果,且适用于多传感器特征融合的诊断,具备实际应用的价值。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。