典型文献
基于卷积孪生神经网络的滚动轴承故障定位方法
文献摘要：
在不同设备及不同工况的条件下,滚动轴承的振动数据分布存在差异,采用传统的深度学习模型难以应对数据集分布不一致的状况,针对这一问题,提出了一种基于卷积孪生神经网络的轴承故障定位方法.首先,选择孪生网络作为基本框架,对预处理后的设备数据进行了扩充,使之达到了数据增强的目的;然后,选择随机池化-ELU-CNN(SE-CNN)模型作为特征提取器,对设备运行数据进行了深度特征提取,利用反向传播算法更新模型参数,使模型的特征提取性能和分类性能达到了最优;最后,利用训练好的网络模型,通过集合两种数据集的混合数据集进行了实验,得到了滚动轴承的故障定位结果.研究结果表明:采用基于卷积孪生神经网络的轴承故障定位方法,其故障定位的各项评价指标均在95％以上,且其综合数据指标达到0.9863;与其他先进方法相比,在跨设备多工况下,该模型的故障定位准确度提高0.0246;模型能有效适应数据分布的差异性,且具备良好的泛化性能.
文献关键词：
滚动轴承;故障定位方法;深度学习;卷积孪生神经网络
中图分类号：
作者姓名：
刘岱;常东润;孙习习;陈斌
作者机构：
中国民航大学 安全科学与工程学院,天津300300;中国民航大学 电子信息与自动化学院,天津300300
文献出处：
引用格式：
[1]刘岱;常东润;孙习习;陈斌-.基于卷积孪生神经网络的滚动轴承故障定位方法)[J].机电工程,2022(03):309-316
A类：
卷积孪生神经网络
B类：
滚动轴承,轴承故障,故障定位方法,不同工况,数据分布,深度学习模型,孪生网络,基本框架,数据增强,随机池化,ELU,SE,设备运行,运行数据,深度特征提取,反向传播算法,更新模型,分类性能,练好,混合数据,定位结果,标达,多工况,定位准确,泛化性能
AB值：
0.256007
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。
