典型文献
基于MSDS-CNN的滚动轴承故障诊断方法
文献摘要：
针对传统故障诊断模型存在参数量多、尺寸大、抗噪性差的问题,提出一种基于多尺度深度可分离卷积神经网络(MSDS-CNN:Multi-Scale Depth Separable Convolutional Neural Network)的轴承故障诊断方法.利用不同尺度的深度可分离卷积对输入信号进行并行处理,在获得多尺度信息的同时并保证模型的轻量性.添加Dropout层以提高模型的抗干扰能力,使用全局平均池化层替换全连接层以减小模型参数量.试验结果表明,该方法诊断准确率高达99.6％,与其他方法相比识别准确率高;模型参数量更少、尺寸更小,更轻量化;在噪声干扰下也具有较好的诊断精度.
文献关键词：
深度可分离卷积;多尺度;故障诊断;轻量化;电机轴承
中图分类号：
作者姓名：
王秀芳;李月明
作者机构：
东北石油大学电气信息工程学院,黑龙江大庆163318
文献出处：
引用格式：
[1]王秀芳;李月明-.基于MSDS-CNN的滚动轴承故障诊断方法)[J].吉林大学学报（信息科学版）,2022(03):354-361
A类：
B类：
MSDS,滚动轴承故障诊断,故障诊断方法,故障诊断模型,抗噪性,深度可分离卷积神经网络,Multi,Scale,Depth,Separable,Convolutional,Neural,Network,不同尺度,并行处理,多尺度信息,Dropout,抗干扰能力,全局平均池化层,层替换,全连接层,模型参数量,诊断准确率,其他方法,识别准确率,更轻,噪声干扰,电机轴承
AB值：
0.330482
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。
