公共文化服务平台

刘韬: 作品数：55 被引量：276H指数：10; 供职机构：昆明理工大学机电工程学院更多>>; 发文基金：国家自然科学基金云南省教育厅科学研究基金云南省应用基础研究基金更多>>; 相关领域：机械工程电子电信自动化与计算机技术理学更多>>

合作作者

基于改进CEEMDAN和优化重构的轴承故障特征提取研究被引量：7: 2019年; 滚动轴承作为旋转设备的关键部件,其性能严重影响设备的运行安全。由于设备工况复杂,反映轴承的故障特征的冲击成分往往被噪声信号所淹没,导致无法有效的提取故障特征。为了更准确的获取滚动轴承的故障信息特征,本文提出一种基于改进的自适应噪声完整集合模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和峭度指标的特征提取方法。首先,利用改进的CEEMDAN方法对分解过程中的各段信号添加自适应白噪声,计算唯一的余量来获得各个固有模态函数(intrinsic mode function),与EEMD(ensemble empirical mode decomposition)相比,其分解过程完整。其次,计算各IMF分量的峭度指标,筛选重构IMF分量集,然后利用重构信号峭度最优指标筛选出最合适的重构信号,最后,通过包络解调获得轴承故障特征。结果表明,该方法具有更好的分解效果,自适应性好,可以更好的抑制噪声,提取轴承故障的冲击成分。; 梁凯刘韬马培原伍星; 关键词：峭度信号重构滚动轴承故障诊断

基于阈值过零算法的轴承故障特征提取研究: 2018年; 针对机械故障声发射信号特征提取的问题,提出了一种基于阈值过零(Zero-crossing,ZC)算法的滚动轴承故障特征提取方法.首先,采用过阈值测量方法提取轴承各类故障的过零特征,由不同的窗长与间隔数计算出反映故障特征的过零特征向量.其次,将所有过零特征进行归一化,采用欧氏距离评价过零特征在不同窗长和间隔下的分类能力,得到最优窗长和间隔.为了突出过零算法可以有效地提升计算效率,对不同故障的过零特征与谱熵计算时间进行比较分析.通过平均分阈值与不平均分阈值对轴承单一和混合故障分类效果的对比,发现不平均分阈值能更为有效地对四类故障进行分类.最后通过仿真和实验验证了该方法的有效性.; 马培原陈庆刘韬梁凯; 关键词：声发射特征提取滚动轴承

基于深度融合神经网络的轴承健康指标构建被引量：5: 2021年; 基于深度学习方法构建轴承健康指标正成为机械故障诊断领域新的研究内容和应用热点。基于深度学习的指标构建容易受到前期人工特征提取和特征选择的影响,且缺乏对多通道传感器信息进行有效融合。针对上述问题,设计了一种基于深度融合神经网络(DFNN)的多通道信息融合健康指标构建方法。首先,提出一种多通道融合特征提取器(MFE)从传感器原始信号提取轴承退化特征,然后设计一种自适应特征选择器(AFS)进行特征选择,最后引入双向长短期记忆网络(BiLSTM)构建健康指标。所提出的方法在轴承全寿命数据集上进行实验验证,实验结果表明,相比现有基于深度学习的轴承健康指标构建方法,DFNN构建的健康指标趋势性指标高达98.4%,单调性指标增加44%,因而能够更准确的反映轴承实际性能退化趋势。; 岳研刘畅刘韬; 关键词：滚动轴承特征提取

基于小波卷积与注意力机制的RV减速器齿轮箱故障诊断被引量：1: 2023年; 在变负载工况下,RV减速器齿轮箱的特征提取存在困难,且其故障模式也难以得到识别。针对这一些问题,提出了一种基于Laplace小波卷积网络(LWNet)和注意力机制(ATT)的变工况下齿轮箱故障诊断方法(模型)。首先,基于Laplace小波变换原理设计了小波卷积层(Laplace Net),代替传统卷积神经网络第一层,对输入信号进行了自适应特征提取,以获得更明显的冲击特征;然后,将注意力机制引入模型卷积网络,以增强故障信息权重,以SoftMax作为分类器进行了故障诊断;为了提高模型的稳定性,每层卷积后接归一化层(batch normalization,BN),对特征进行了归一化处理,使用Dropout(0.5)防止过拟合;最后,使用RV减速器齿轮箱的数据集对基于LWNet和ATT的方法(模型)进行了验证。研究结果表明:基于LWNet和ATT的方法(模型)能够自适应地定位故障信号的冲击信息,在定负载条件下,其平均诊断准确率高达99.92%(相比于经典的深度学习模型与近期的方法,其准确率提高了3.25%~12.26%),该方法具有更高的诊断效率;在变负载条件下,该方法的平均准确率也可以达到98.09%。基于LWNet和ATT的方法(模型)解决了变工况条件下减速器齿轮箱振动信号特征提取困难的问题。; 阮强刘韬王振亚张博; 关键词：变速器小波变换故障特征提取

基于cRIO的滚动轴承故障诊断系统设计被引量：1: 2017年; 为解决传统故障诊断仪器功能单一、开发成本高且升级换代困难等问题,本文设计了一种基于cRIO的滚动轴承故障诊断系统.系统开发采用LabVIEW和MATLAB混合编程技术,实现了数据采集、数据分析和时频特征提取,并在LabVIEW中实现了神经网络的故障诊断.系统首先采用cRIO数据采集平台采集滚动轴承的振动信号和噪声信号,对采集的振动信号进行时域特征和EEMD分解后IMF能量特征的提取,并将其作为子网络1的输入;同时,对采集的噪声信号提取时域特征,并进行小波包分解提取各频段能量特征,作为子网络2的输入;两个子网络的局部诊断结果归一化后运用D-S证据理论进行决策级的信息融合得到融合诊断结果.最后,通过振动信号包络谱分析验证融合诊断结果并得到最终的故障诊断结果.系统测试结果表明该系统具有较高的可靠性,能够有效识别滚动轴承的故障类型.; 周国宪伍星刘韬; 关键词：LABVIEW 滚动轴承故障诊断系统设计

旋转设备数据不平衡问题的数据生成方法: 2023年; 在旋转设备运行状态监测及故障识别时,采集的样本多为无故障样本,而故障样本较少,这种数据分布的不平衡会严重影响分类器识别的准确性。针对此问题,提出了一种少数样本数据生成方法,即基于傅里叶变换与皮尔逊系数优化的生成对抗神经网络(Fourier-Pearson generative adversarial networks,简称FP-GAN)模型。通过对故障少数样本的扩充,提高故障诊断训练和识别的准确性。首先,使用傅里叶变化得到信号频域的单边谱,使用GAN网络生成信号频域;其次,通过皮尔逊相关系数对生成的数据进行优化;最后,通过傅里叶逆变换获得更接近真实数据的生成数据。仿真和实验数据验证表明,基于FP-GAN生成的数据样本在时域特征、时域统计特征以及分类器分类结果方面都能较好地与已有实际数据融合,可以对小样本数据进行增强,能有效解决数据不平衡问题。; 李洁松伍星刘韬刘畅

双通道信息融合的机械旋转部件混合故障诊断: 2021年; 为了实现机械旋转部件的混合故障诊断具有较高准确性,提出一种变工况下双通道信息融合的旋转部件混合故障诊断方法。其信号同时包含滚动轴承和齿轮振动信号。通道1的振动信号进行广义S变换生成二维信号,以特征图作为通道1的模型输入;通道2将旋转部件的时域信号作为特征输入,双通道输出层随机特征融合,通过对整个双通道卷积神经网络(CNN)模型参数的微调,实现变工况下旋转部件混合故障状态的诊断识别。结果表明,所提方法能够有效地运用于旋转部件混合故障识别诊断,与一维、二维卷积神经网络以及其他机器学习方法对比,所提方法故障识别准确率最高,达到98.18%。; 王廷轩刘韬王振亚杨永灿; 关键词：卷积神经网络广义S变换

时域压缩特征提取及压缩感知在设备状态评估中的应用研究被引量：2: 2017年; 压缩感知是一种新的信号采集与处理框架,其框架中压缩采样过程能够直接获取"压缩"的采样数据。本文中研究了如何利用这些压缩数据提取特征并用于设备的状态评估。首先在压缩感知框架下研究压缩采样数据的特点,研究压缩数据的压缩性与信号的稀疏性的对应关系;接着提出一种时域压缩特征计算方法,用于提取压缩数据的特征信息;最后以滚动轴承为对象,使用时域压缩特征对滚动轴承的运行状态进行评估。使用滚动轴承全寿命周期数据进行实验分析,实验结果表明,时域压缩特征能够准确的判断轴承的运行状态。; 杨堂锋刘畅伍星柳小勤刘韬; 关键词：压缩感知滚动轴承特征提取

基于改进MOD学习的滚动轴承振动信号稀疏表示被引量：7: 2016年; 基于过完备字典的振动信号稀疏表示是滚动轴承信号研究的新热点。提出一种改进MOD字典学习的算法,并用于滚动轴承振动信号的稀疏表示。该方法基于MOD(Method of Optimal Direction)训练学习过程,通过构造分段重叠训练矩阵,能够得到更为稀疏的变换系数。相对DCT、FFT和未改进的处理方法,该方法得到的变换系数更稀疏。将该方法应用到基于压缩感知的滚动轴承振动信号处理,在相同的重构误差范围内,该方法所需要的观测数更少,计算量更小。; 刘畅伍星毛剑琳刘韬; 关键词：字典学习滚动轴承

变分模态分解结合深度迁移学习诊断机械故障被引量：20: 2020年; 针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法。首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。; 施杰伍星伍星柳小勤; 关键词：故障诊断特征提取

刘韬

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

刘韬

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈