典型文献
深度残差网络在滚动轴承故障诊断中的研究
文献摘要：
近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),它可以直接将原始振动信号作为模型的输入,通过池化层、残差模块和分类层相互连接,更加有效的挖掘信号特征之间的信息,从而增强了轴承振动信号的特征学习能力.实验结果表明,该模型能够达到99.75％的轴承故障诊断精度,实现了良好的故障分类任务,为以后的机械故障诊断研究提供了理论指导和借鉴.
文献关键词：
滚动轴承;故障诊断;深度学习;振动信号;深度残差网络
中图分类号：
作者姓名：
张小刚;丁华;王晓波;杨亮亮
作者机构：
太原理工大学机械与运载工程学院,山西太原 030024;煤矿综采装备山西省重点实验室,山西太原 030024
文献出处：
引用格式：
[1]张小刚;丁华;王晓波;杨亮亮-.深度残差网络在滚动轴承故障诊断中的研究)[J].机械设计与制造,2022(01):77-80
A类：
B类：
深度残差网络,滚动轴承故障诊断,传统人工,提取特征,健康状态,深度学习算法,输入数据,恒等映射,大幅度降低,ResNet,振动信号,池化,残差模块,相互连接,信号特征,轴承振动,特征学习能力,故障诊断精度,故障分类,分类任务,机械故障诊断,诊断研究
AB值：
0.273644
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。
