典型文献
基于多尺度卷积神经网络的滚动轴承智能诊断算法
文献摘要：
近些年由于深度学习技术的介入,机械故障诊断算法也日新月异.但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力.针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法(MSCNN).该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;(1)模型使用具有一定重复率的样本数据,大幅扩充了样本数量;(2)引入多尺度卷积核进行特征提取;(3)模型根据振动信号的固有特征选择卷积核尺寸.MSCNN不仅能在少量数据下得到近乎100％的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能.
文献关键词：
故障诊断;深度学习;卷积神经网络;小样本;泛化性能
中图分类号：
作者姓名：
古天龙;孙镇海;宾辰忠;常亮
作者机构：
广西可信软件重点实验室,广西桂林 541004;桂林电子科技大学,广西桂林 541004
文献出处：
引用格式：
[1]古天龙;孙镇海;宾辰忠;常亮-.基于多尺度卷积神经网络的滚动轴承智能诊断算法)[J].机械设计与制造,2022(05):20-23
A类：
B类：
多尺度卷积神经网络,滚动轴承,智能诊断,深度学习技术,机械故障诊断,故障诊断算法,日新月异,泛化能力,新算法,MSCNN,时序信号,预期效果,解决思路,模型使用,重复率,样本数量,多尺度卷积核,振动信号,固有特征,特征选择,卷积核尺寸,少量数据,下得,近乎,故障识别,识别精度,泛化性能,小样本
AB值：
0.376441
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。
