典型文献
多尺度一维卷积神经网络的风机基础螺栓松动智能检测
文献摘要：
为精细化表征风机基础螺栓松动状态特征,实现对风机基础螺栓松动的智能检测,提出多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法.首先,以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的依赖,并最大程度保留原始信号特征;然后,通过交替的多尺度卷积层和池化层对时域信号特征进行学习,其中多尺度卷积层设置不同尺度的卷积核进行卷积运算,避免单一尺度卷积核对不同精细度特征的忽略,增强网络对特征的表达能力,实现对时域信号特征精细化分布式表征;最后,在特征输出层后添加Softmax多分类器,利用反向传播逐层微调结构参数建立特征空间到松动状态空间的映射,输出风机基础螺栓松动检测结果.所提方法将松动特征自动学习与松动识别融为一体,实现了风机基础螺栓松动智能检测.通过在稳定转速和变转速下对风机基础螺栓松动检测试验,证明了所提方法的可行性和有效性.
文献关键词：
风机基础螺栓;松动状态;智能检测;多尺度一维卷积神经网络;精细化表征
中图分类号：
作者姓名：
陈仁祥;徐培文;韩坤林;曾力;王帅;朱玉清
作者机构：
重庆交通大学 交通工程应用机器人重庆市工程实验室,重庆 400074;招商局重庆交通科研设计院有限公司,重庆 400067
文献出处：
引用格式：
[1]陈仁祥;徐培文;韩坤林;曾力;王帅;朱玉清-.多尺度一维卷积神经网络的风机基础螺栓松动智能检测)[J].振动与冲击,2022(22):301-307
A类：
多尺度一维卷积神经网络,风机基础螺栓,分布式表征
B类：
精细化表征,松动状态,智能检测方法,机运,时域信号,信号处理,信号特征,多尺度卷积,卷积层,池化,不同尺度,卷积核,行卷,卷积运算,一尺,核对,精细度,表达能力,出层,Softmax,多分类器,反向传播,逐层,微调,调结构,特征空间,状态空间,螺栓松动检测,征自,自动学习,融为一体,变转速,检测试验
AB值：
0.196104
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
