典型文献
基于改进ShuffleNet V2网络的轴承故障诊断方法
文献摘要：
针对深度神经网络故障诊断方法存在参数量大、难以应用在移动设备上的问题,提出一种改进ShuffleNet V2网络故障诊断模型.改进ShuffleNet V2基本单元可降低模型的参数量,并将模型中的标准卷积替换为空洞卷积,在不增加参数的条件下提高感受野,增强特征提取能力.利用CMOR小波将轴承振动信号变换为时频谱输入到改进ShuffleNet V2网络模型进行故障特征提取与识别,试验结果表明,改进ShuffleNet V2网络模型对西储大学轴承数据集的分类准确率超过99.5％,对实际工况下铁路货车轮对轴承数据集的分类准确率也高达97％以上,识别率和泛化性能都优于其他轻量级神经网络.
文献关键词：
滚动轴承;故障诊断;深度学习;ShuffleNet V2;小波变换;空洞卷积
中图分类号：
作者姓名：
赵志宏;李春秀;杨绍普;张然
作者机构：
石家庄铁道大学 信息科学与技术学院,石家庄 050043;省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄 050043
文献出处：
引用格式：
[1]赵志宏;李春秀;杨绍普;张然-.基于改进ShuffleNet V2网络的轴承故障诊断方法)[J].轴承,2022(09):70-77
A类：
B类：
ShuffleNet,V2,轴承故障诊断,故障诊断方法,深度神经网络,网络故障诊断,参数量,移动设备,故障诊断模型,基本单元,标准卷积,空洞卷积,感受野,特征提取能力,CMOR,轴承振动,振动信号,时频谱,故障特征提取,特征提取与识别,轴承数据,分类准确率,实际工况,铁路货车,车轮,轮对轴承,识别率,泛化性能,轻量级神经网络,滚动轴承,小波变换
AB值：
0.373882
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。
