vibration signals | BriefGPT

关键词vibration signals

搜索结果 - 9

使用自回归网络生成滚动轴承的全生命周期数据以预测剩余寿命
使用基于 CVGAN 模型的振动信号生成框架，结合历史振动数据和剩余寿命，通过一维水平和垂直方向的条件振动信号生成，提高滚动轴承寿命预测模型的准确性。在 PHM 2012 数据集上的实验表明，CVGAN 模型在自回归和非自回归生成模式下，通
PDF6 months ago
FaultFormer：基于 Transformer 的轴承故障预测
在此工作中，我们提出了一种基于 Transformer 的框架（FaultFormer），用于分析振动信号以预测不同类型的轴承故障。通过使用数据增强和提取傅里叶模态的方法，我们训练了一个 Transformer 编码器，以实现最先进的准确度
PDF7 months ago
利用多输入自回归模型进行轴承剩余使用寿命预测
利用多输入自回归模型将振动信号与先前预测的健康指标值相结合，通过特征融合输出当前窗口的健康指标值，从而解决滚动轴承寿命预测中通用性有限的问题。通过自回归迭代，该模型具有全局感受野，有效克服通用化的限制。在 PMH2012 数据集上的实证评估
PDF7 months ago
利用 VQ-VAE 进行端到端的健康指标生成用于滚动轴承剩余寿命预测
以振动信号为基础，构建了一种使用矢量量化变分自动编码器 (VQ-VAE) 的健康指标 (HI) 构建方法，引入了均值绝对距离 (MAD) 和均值方差 (MV) 两个新的统计度量来准确描述振动曲线波动的模式，通过在 PMH2012 数据集上的
PDF8 months ago
TSViT：一种用于故障诊断的时间序列视觉变换器
传统的卷积神经网络（CNN）在捕捉时间特征（即振动信号随时间的变化）方面存在局限性，为解决这个问题，本文引入了一种新颖的模型，即时间序列视觉变换器 (TSViT)，专门用于故障诊断。TSViT 模型一方面通过集成卷积层对振动信号进行分段并捕
PDF8 months ago
用振动概念解释轴承故障检测的深度神经网络
本研究探讨了如何在基于振动信号的深度神经网络所训练的轴承故障检测中利用已有的基于概念的解释技术，以确保人们对模型内部工作机制的理解，并通过验证底层假设的准确性来获得可信的结果。
PDF9 months ago
多模态时间序列结构振动的协同信号去噪
该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法，通过融合卷积和循环结构，以及关注机制的重要集成，该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应，取得了显著的预测准确性、早期损伤检测以及在多种结构健
PDFa year ago
基于领域知识的健康数据映射合成故障样本生成方法，用于跨领域星行星齿轮箱故障诊断
本文提出两种基于 HDMap 的数据合成方法（CutPaste 和 FaultPaste）来解决深度学习方法中存在的领域偏移问题，通过从源域提取的领域知识和故障特征合成目标域中的故障数据，实现了对各种严重程度故障的放缩合成，从而实现了对极端
PDFa year ago
可解释人工智能在故障诊断中的应用：基于迁移学习和增强合成数据的旋转机械故障诊断方法
该研究提出了一种新的 FaultD-XAI 方法，即将数据从合成数据转移到现实旋转机械领域中，使用可解释的人工智能（AI）方法诊断机器故障，以解决 AI 模型的可解释性和训练数据标注困难等问题。实验结果表明，该方法在将数据移植到不同领域方面
PDF2 years ago