典型文献
一种改进1DCNN的滚动轴承变工况故障诊断方法
文献摘要：
针对滚动轴承在强噪声背景时运行存在不同工况下样本分布不同而导致传统模型诊断精度较低的问题,提出一种改进一维卷积神经网络的滚动轴承变工况故障诊断方法.以一维卷积神经网络模型为基础,通过全局均值池化代替全连接层,减少模型训练参数,同时在全局均值池化层引入最大均值差异域自适应迁移学习实现滚动轴承变工况故障诊断.与ResNet和1 DCNN+DA等方法的对比分析表明,将1 DCNN模型中的FC层通过GAP层代替并与DA迁移学习相结合,能够提高整个模型的泛化性和诊断精度.
文献关键词：
滚动轴承;故障诊断;变工况;深度学习;卷积神经网络;迁移学习
中图分类号：
作者姓名：
陈鹏;赵小强
作者机构：
兰州石化职业技术大学 电子电气工程学院,兰州 730060;兰州理工大学 电气工程与信息工程学院,兰州 730050
文献出处：
引用格式：
[1]陈鹏;赵小强-.一种改进1DCNN的滚动轴承变工况故障诊断方法)[J].轴承,2022(05):67-71
A类：
DCNN+DA
B类：
1DCNN,滚动轴承,承变,变工况故障诊断,故障诊断方法,强噪声,时运,不同工况,样本分布,传统模型,一维卷积神经网络,卷积神经网络模型,全局均值池化,全连接层,模型训练,最大均值差异,异域,域自适应,迁移学习,ResNet,FC,GAP,泛化性
AB值：
0.277982
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。
