《轴承北大核心CSTPCD》-厦门畜牧期刊杂志论文发表

 

Bearing

本刊是中国惟一国内外发行的轴承科技及其应用期刊，创刊于1958年，中文核心期刊，科技论文统计用刊，美国工程索引(EI)收录用刊，《中国学术期刊(光盘版)》收录用刊。曾获机械工业部科技成果二等奖，全国科技期刊评比三等奖。在全国机械系统科技期刊评比中连续七次获奖。轴承杂志立足轴承制造业，并涵盖了轴承设计、加工、试验及应用等方面。刊载论文坚持技术超前和实用相结合。目前开辟的栏目有：产品设计与应用，工艺与装备，测量与仪器，试验与分析，计算机实用技术，企业管理，专题综述，国外轴承科技等。主要读者对象：轴承及其相关行业中企事业单位的科研、技术人员；大中专院校相关专业的师生。

更多

发文量：4554

被引量：1072

H指数：2

开始收录时间：1958(2)

CNKI综合因子：0.304

维普期刊影响因子： 0.360

万方期刊影响因子：0.39

创刊时间：1958

国内刊号/CN：41-1148/TH

国际刊号/ISSN：1000-3762

发行周期：月刊

邮发代号：36-17

主管单位：洛阳轴承研究所

主办单位：洛阳轴承研究所

 

目录

 

>2021年第004期

双列圆锥滚子轴承支承的车辆驱动桥主减速器轴系固有特性分析温保岗 杨磊 王美令 康乃正 雷良育 （28-3236）

热处理工艺参数对G13Cr4Mo4Ni4V钢晶粒度及性能的影响杜姣婧 刘晓宇 付中元 童锐 张保鲁 （37-40）

双列调心凹面滚子轴承接触载荷分析杨虎 江岩 张文虎 谢鹏飞 李峰 （6-11）

烧结助剂含量对氮化硅陶瓷球致密化和力学性能的影响王文雪 张晶 颜家森 孙峰 杨文武 （23-27）

镶嵌型滑动轴承固体润滑材料应用概况黄彧 王文东 张柯 （1-527）

基于一维卷积神经网络的滚动轴承故障程度诊断薛妍 沈宁 窦东阳 （48-54）

第三代轮毂轴承负游隙的弹性变形检测方法田助新 李江全 葛志华 （61-64）

RV减速器主轴承拟静力学模型简化分析方法陈瑛琳 史文华 陈江义 秦东晨 袁峰 （12-17）

波纹度波数对深沟球轴承振动特性的影响余光伟 方党生 蔡翔宇 周璐 （18-22）

某型航空发动机轴承环下润滑结构试验林碧华 李强 满维伟 （33-36）

GCr15轴承钢比磨削力建模陈永清 赵坤 郭建亮 陈廉清 （41-44）

组配角接触球轴承凸出量的控制技术宋如英 （45-47）

双、四列圆锥滚子轴承轴向游隙的调整方法王朋伟 范强 贾松阳 （55-61）

 

 

范文

 

基于一维卷积神经网络的滚动轴承故障程度诊断

获取原文

 包量   

页面导航

摘要

著录项

相关主题

摘要

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2％.用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93％.

展开▼

著录项

来源 《轴承》|2021年第004期|48-54|共7页

作者

薛妍; 沈宁; 窦东阳;

 

作者单位

中国矿业大学 化工学院 江苏 徐州 221116;

 

宁夏煤业洗选中心 银川 750409;

 

中国矿业大学 化工学院 江苏 徐州 221116;

 

原文格式 PDF

正文语种 chi

中图分类 TH133.33;TP277;

关键词 滚动轴承; 故障诊断; 一维卷积神经网络; 状态监测; 寿命周期;

相关主题

价值工程流程设备预防性养护故障隐患成本分析废弃物订购量绿色建筑评价养护时机需求率

 

 

基于一维卷积神经网络的滚动轴承故障程度诊断

获取原文

 包量   

页面导航

摘要

著录项

相关主题

摘要

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2％.用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93％.

展开▼

著录项

来源 《轴承》|2021年第004期|48-54|共7页

作者

薛妍; 沈宁; 窦东阳;

 

作者单位

中国矿业大学 化工学院 江苏 徐州 221116;

 

宁夏煤业洗选中心 银川 750409;

 

中国矿业大学 化工学院 江苏 徐州 221116;

 

原文格式 PDF

正文语种 chi

中图分类 TH133.33;TP277;

关键词 滚动轴承; 故障诊断; 一维卷积神经网络; 状态监测; 寿命周期;

相关主题

价值工程流程设备预防性养护故障隐患成本分析废弃物订购量绿色建筑评价养护时机需求率