典型文献
多通道特征融合卷积神经网络的齿轮箱故障诊断
文献摘要：
针对一维数据的卷积神经网络故障诊断方法无法十分准确地识别齿轮箱故障类型的问题,提出一种二维振动信号的多通道特征融合卷积神经网络(MC-FFCNN)算法.采用格拉米角场将传感器获取的一维振动信号转换为二维矩阵,将矩阵中的数值作为像素值转换为灰度图从多个通道输入卷积神经网络,经过多个卷积层、池化层及增加的融合层,导出各通道的融合数据到全连接层.在试验中,通过对多个故障数据进行训练与测试,实现齿轮箱单一故障的诊断.将诊断结果与单通道的卷积神经网络诊断结果进行比较分析,结果显示:所提方法的故障诊断准确率更高.
文献关键词：
多通道;卷积神经网络;格拉米角场;故障诊断
中图分类号：
作者姓名：
张名武;李舜酩;程龙欢
作者机构：
南京航空航天大学能源与动力学院,南京 210016;南通理工学院汽车工程学院,江苏南通 226002
文献出处：
引用格式：
[1]张名武;李舜酩;程龙欢-.多通道特征融合卷积神经网络的齿轮箱故障诊断)[J].重庆理工大学学报,2022(08):146-151
A类：
FFCNN,格拉米角场
B类：
多通道特征,通道特征融合,特征融合卷积神经网络,齿轮箱故障诊断,网络故障诊断,故障诊断方法,故障类型,二维振动,振动信号,MC,信号转换,二维矩阵,像素,灰度图,卷积层,池化,融合数据,全连接层,故障数据,单一故障,诊断结果,单通道,网络诊断,故障诊断准确率
AB值：
0.27383
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。
