典型文献
基于GAF-MTF-CNN的滚动轴承故障诊断
文献摘要：
针对传统图像编码方式与神经网络轴承故障诊断方法测试准确率不高、模型泛化能力差等问题,提出一种基于格拉姆角场(GAF)和马尔可夫变迁场(MTF)与卷积神经网络(CNN)的滚动轴承故障诊断方法.对采样的每段轴承振动数据分别进行GAF和MTF变换生成二维图像,对其采用水平方向拼接的方法构建数据集,再将其导入搭建的加入批量归一化及随机失活操作的多层CNN中进行诊断测试.结果表明:相比于仅用GAF和MTF的数据处理方法,采用本文数据处理方法构建的数据集在搭建的CNN中训练出的模型测试准确率高,可达99.87％,搭建的CNN有较好的泛化能力与较高的网络模型准确率,证明了本文数据集构建方法在轴承故障诊断中的可行性.
文献关键词：
格拉姆角场(GAF);马尔可夫变迁场(MTF);卷积神经网络(CNN);滚动轴承;故障诊断
中图分类号：
作者姓名：
宋乾坤;周孟然
作者机构：
安徽理工大学 人工智能学院,安徽淮南232001;安徽理工大学 电气与信息工程学院,安徽淮南232001
文献出处：
引用格式：
[1]宋乾坤;周孟然-.基于GAF-MTF-CNN的滚动轴承故障诊断)[J].安徽工业大学学报（自然科学版）,2022(04):435-440,448
A类：
B类：
GAF,MTF,滚动轴承故障诊断,图像编码,编码方式,故障诊断方法,模型泛化,泛化能力,格拉姆角场,马尔可夫变迁场,每段,轴承振动,二维图像,拼接,批量归一化,随机失活,诊断测试,数据处理方法,练出,模型测试,模型准确率,数据集构建,构建方法
AB值：
0.255791
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。
