典型文献
小样本下自校正卷积神经网络的滚动轴承故障识别方法
文献摘要：
针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究.首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证.结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64％和99.83％,在变工况条件下,识别准确率分别为94.37％和99.64％,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能.
文献关键词：
故障识别;小样本;自校正卷积;通道自注意力机制;滚动轴承
中图分类号：
作者姓名：
雷春丽;夏奔锋;薛林林;焦孟萱;史佳硕
作者机构：
兰州理工大学机电工程学院 兰州 730050;兰州理工大学数字制造技术与应用省部共建教育部重点实验室 兰州 730050
文献出处：
引用格式：
[1]雷春丽;夏奔锋;薛林林;焦孟萱;史佳硕-.小样本下自校正卷积神经网络的滚动轴承故障识别方法)[J].仪器仪表学报,2022(09):122-130
A类：
B类：
小样本,下自,自校正卷积,故障识别方法,针对实际,因故,稀少,模型识别,识别准确率,SC,滚动轴承故障诊断模型,样本条件,数据分布,分布差异,卷积层,BN,多尺度特征,故障特征,通道自注意力机制,通道特征,特征信息,过拟合,训练样本,不同条件下,故障信号,练好,识别分类,dB,强噪声,噪声环境,变工况,工况条件,泛化性能
AB值：
0.281146
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。
