曾雪琼
- 作品数：3 被引量：118H指数：3
- 供职机构：华南理工大学机械与汽车工程学院更多>>
- 发文基金：中央高校基本科研业务费专项资金国家重点实验室开放基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术机械工程更多>>
- 基于深度信念网络的信号重构与轴承故障识别被引量：35
- 2016年
- 针对传统智能识别需要复杂的特征提取过程,增加了操作的难度和不确定性,采用深度信念网络(Deep Belief Network,DBN)直接从原始数据对故障智能识别的方法。该方法避免了人工特征提取过程,增强了识别的智能性。将以原始数据为输入的DBN应用于轴承故障识别,接近100%正确识别率的实验结果表明:DBN可以直接通过原始数据对轴承故障进行高效识别。
- 单外平曾雪琼
- 关键词：特征提取DBN故障识别
- 基于深度信念网络的轴承故障分类识别被引量：85
- 2016年
- 特征提取是故障智能诊断的关键步骤,然而不同的特征提取方法所得到的特征不同,导致诊断结果也可能有所差异,增加了人工特征选择的难度和不确定性。深度信念网络(Deep Belief Network,DBN)是一种典型的深度学习(Deep Learning)方法,可以通过组合低层特征形成更加抽象的高层表示,发现数据的分布式特征。DBN可直接从低层原始信号出发,通过逐层智能学习得到更好的特征表示,避免特征提取与选择的人工操作,增强识别过程的智能性。将DBN直接应用于轴承振动原始信号的处理,实现轴承故障的分类识别。试验结果表明,DBN可以直接通过原始数据对轴承故障进行分类识别,优先调节时间复杂度偏导数较大的参数,可有效控制DBN的计算成本。
- 李巍华单外平曾雪琼
- 关键词：故障诊断特征提取DBN
- 基于卷积神经网络的时频图像识别研究被引量：5
- 2016年
- 变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络(convolutional neural network,CNN)的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。
- 曾雪琼黎杰
- 关键词：卷积神经网络时频变换变转速故障识别
