典型文献
基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法
文献摘要：
传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点,为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法.首先,通过小波变换将原始数据转换为时频图,经过数据预处理后送入基于Involution的神经网络模型;然后,经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取,扩展输入图像通道数;最后,通过Involution对特征图的每个像素点进行进一步特征提取,经过softmax层输出分类结果.CWRU轴承数据集和试验轴承数据集的分析结果表明,基于Involution卷积的神经网络模型所包含的参数较少,训练时间短,故障分类准确率可达99.75％,优于传统的CNN,DBN,自编码器等模型.
文献关键词：
滚动轴承;故障诊断;Involution;卷积神经网络;小波变换;时频域分析
中图分类号：
作者姓名：
王正;文传博;董逸凡
作者机构：
上海电机学院 电气学院,上海 201306
文献出处：
引用格式：
[1]王正;文传博;董逸凡-.基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法)[J].轴承,2022(11):61-67
A类：
B类：
于小波,小波变换,Involution,滚动轴承故障诊断,故障诊断方法,训练时间,原始数据,数据转换,时频图,数据预处理,后送,送入,Convolution,卷积核,核对,原始图像,局部区域,区域特征,不同方式,通道数,特征图,像素点,softmax,CWRU,轴承数据,故障分类,分类准确率,DBN,自编码器,时频域分析
AB值：
0.287208
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。
