典型文献
基于STFT-Inception-残差网络的轴承故障诊断
文献摘要：
为使轴承故障诊断工作更加准确与智能化,构建了一种基于Inception结构和残差结构的卷积神经网络(CNN:Convolutional Neural Network),提出一种新的轴承故障诊断方法.首先使用短时傅里叶变换(STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图,分为训练集、验证集和测试集;然后使用训练集对搭建的Inception-残差网络模型进行迭代,不断更新网络参数,并由验证集检验模型是否出现过拟合现象;最后将训练好的模型应用于测试集,并通过输出层的分类器输出诊断结果.最终由实验证明所提方法的可行性,对轴承故障分类的平均准确率到达了 99.98％±0.02％,相对于其他方法具有较高的准确率和稳定性.
文献关键词：
故障诊断;卷积神经网络;短时傅里叶变换;Inception-残差
中图分类号：
作者姓名：
任爽;林光辉;田振川;商继财;杨凯
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]任爽;林光辉;田振川;商继财;杨凯-.基于STFT-Inception-残差网络的轴承故障诊断)[J].吉林大学学报（信息科学版）,2022(04):621-627
A类：
B类：
STFT,Inception,轴承故障诊断,残差结构,Convolutional,Neural,Network,故障诊断方法,短时傅里叶变换,Short,Time,Fourier,Transform,滚动轴承,时频图,训练集,验证集,测试集,对搭,残差网络模型,不断更新,新网,网络参数,检验模型,过拟合,练好,模型应用,出层,分类器,出诊,诊断结果,故障分类,平均准确率,其他方法
AB值：
0.407619
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。
