pppppper1

摘要： 本文针对传统深度学习对振动信号采用固定非线性变换、故障诊断特征判别能力不足的问题，提出自适应参数化 ReLU—— APReLU，并将其嵌入深度残差网络构建 ResNet-APReLU 模型。该模型通过内嵌子网络学习随输入信号变化的斜率参数，实现自适应非线性变换，提升特征学习灵活性。以行星齿轮箱为研究对象，在多工况、多噪声水平下开展实验，并与传统卷积网络、残差网络对比，同时在 PHM 2009 公共数据集验证。结果表明，ResNet-APReLU 的故障诊断精度优于对比模型，且稳定性更好，为变工况下机械故障诊断提供了有效方法，也可拓展至其他深度学习模型。 阅读全文

摘要： 本文针对机械系统故障样本远少于正常样本的不平衡诊断难题，提出融合小波包畸变与卷积神经网络的诊断方法。先通过小波包变换分解振动信号，对随机选取的系数做非线性畸变后重构，实现故障样本扩充与数据集均衡；再用均衡数据集训练含卷积层、批量归一化层等的卷积神经网络，自动学习故障特征。以民航液压泵为实验对象，对比传统方法，该方法平均 F1 值有效提升，性能更稳定、泛化能力更强，还探究了不同畸变系数范围的影响。其小波包畸变思想可推广至其他机械系统，后续将研究更适配的小波函数。 阅读全文