典型文献
基于卷积脉冲神经网络的故障诊断方法研究
文献摘要：
深度学习为轴承故障诊断的智能化发展提供了新思路.本文从类脑计算角度出发,设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务.首先采用信号分解的方式提高原始信号特征提取效果,然后对故障信号进行脉冲编码,并采用多分量混合输入方式填充时间步作为神经网络的输入,最后采用卷积脉冲神经网络(SCNN)进行故障分类.为了验证该模型的分类效果,采用西储大学轴承数据集进行验证,分类准确率达到了99.78％.结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征,且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性.本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用.
文献关键词：
脉冲神经网络;多模态分解;滚动轴承;故障诊断;IIR滤波器
中图分类号：
作者姓名：
马新娜;赵猛;祁琳
作者机构：
石家庄铁道大学 信息科学与技术学院,河北 石家庄050043;省部共建交通工程结构力学行为与系统安全国家重点实验室(石家庄铁道大学) ,河北 石家庄050043
文献出处：
引用格式：
[1]马新娜;赵猛;祁琳-.基于卷积脉冲神经网络的故障诊断方法研究)[J].广西师范大学学报（自然科学版）,2022(03):112-120
A类：
多模态分解
B类：
脉冲神经网络,故障诊断方法,轴承故障诊断,智能化发展,类脑计算,轴承数据,故障数据,数据分类,分类任务,信号分解,信号特征提取,提取效果,故障信号,脉冲编码,多分量,混合输入,输入方式,填充时间,时间步,SCNN,故障分类,分类效果,分类准确率,数据编码,编码方案,动力学特征,诊断问题,研究和应用,滚动轴承,IIR,滤波器
AB值：
0.387451
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。
