典型文献
面向数据不平衡的卷积神经网络故障辨识方法
文献摘要：
针对因不同故障的样本数目不平衡造成卷积神经网络(convolutional neural network,简称CNN)对少数类样本识别准确率偏低的缺陷,采用将一种最小最大化目标函数融入卷积神经网络结构的对策,提出一种适用于故障数据不平衡的最小最大化目标函数卷积神经网络(min-max objective CNN,简称MMOCNN)智能故障模式辨识方法.首先,利用卷积神经网络交替的卷积与池化运算自适应学习振动信号中具有表征信息的敏感特征,并通过全连接层(fully connected layer,简称FC)将学习特征映射到类空间;其次,在类空间构造特征的最小最大化目标函数;最后,将最小最大化目标函数融入到卷积神经网络的损失函数中,在模型训练过程中既考虑分类总体误差最小,同时又要求学习的样本特征保持同类距离小、异类距离大,以实现对数据不平衡故障的有效辨识.用轴承的不平衡数据集分别对本方法和传统卷积神经网络的辨识效果进行实验,结果表明,本方法能够使少数类样本的辨识精度提升20％以上.
文献关键词：
智能故障辨识;数据不平衡;卷积神经网络;最小最大化目标函数;旋转机械
中图分类号：
作者姓名：
吴耀春;赵荣珍;靳伍银;邢自扬
作者机构：
兰州理工大学机电工程学院 兰州,730050;安阳工学院机械工程学院 安阳,455000
文献出处：
引用格式：
[1]吴耀春;赵荣珍;靳伍银;邢自扬-.面向数据不平衡的卷积神经网络故障辨识方法)[J].振动、测试与诊断,2022(02):299-307
A类：
最小最大化目标函数,MMOCNN,智能故障辨识
B类：
数据不平衡,网络故障,辨识方法,convolutional,neural,network,少数类,识别准确率,神经网络结构,故障数据,数卷,max,objective,故障模式,模式辨识,池化,自适应学习,振动信号,敏感特征,全连接层,fully,connected,layer,FC,学习特征,特征映射,射到,类空,空间构造,构造特征,损失函数,模型训练,训练过程,求学,样本特征,特征保持,异类,不平衡故障,轴承,不平衡数据集,辨识精度,精度提升,旋转机械
AB值：
0.342709
相似文献
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。
