典型文献
基于优化残差卷积网络的滚动轴承变工况故障诊断
文献摘要：
针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法.将归一化后整理完的原始轴承振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出轴承振动信号的故障类型.将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析,结果表明,本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16％和95.31％,均高于其他经典神经网路,具有较强的抗噪性和泛化性能力.
文献关键词：
一维残差卷积;故障诊断;变工况;滚动轴承
中图分类号：
作者姓名：
段泽森;郝如江;张晓锋;程旺;夏晗铎
作者机构：
石家庄铁道大学机械工程学院,河北石家庄 050043
文献出处：
引用格式：
[1]段泽森;郝如江;张晓锋;程旺;夏晗铎-.基于优化残差卷积网络的滚动轴承变工况故障诊断)[J].石家庄铁道大学学报（自然科学版）,2022(01):81-85
A类：
B类：
卷积网络,滚动轴承,承变,变工况故障诊断,实际运行,运行环境,变负荷,复合工况,诊断效果,一维残差卷积,残差卷积神经网络,神经网络方法,后整理,理完,轴承振动,振动信号,残差连接,卷积层,提取特征,再经,池化,Softmax,层进,输出轴,故障类型,一维卷积神经网络,LeNet,AlexNet,平均准确率,网路,抗噪性,泛化性能
AB值：
0.376424
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。
