典型文献
基于孪生网络的小样本滚动轴承故障诊断研究
文献摘要：
针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型:首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了 96.25％和97.08％正确率.所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势.
文献关键词：
孪生网络;卷积神经网络;连续小波变换;故障诊断
中图分类号：
作者姓名：
徐卓飞;李旭东;张婵婵;侯和平;张武
作者机构：
西安理工大学印刷包装与数字媒体学院 西安 710048;西安科技大学机械工程学院 西安 710054
文献出处：
引用格式：
[1]徐卓飞;李旭东;张婵婵;侯和平;张武-.基于孪生网络的小样本滚动轴承故障诊断研究)[J].仪器仪表学报,2022(10):241-251
A类：
B类：
孪生网络,小样本,滚动轴承故障诊断,诊断研究,强噪声,噪声条件,诊断问题,故障信号,连续小波变换,时频图像,卷积神经网络模型,模式识别,重新组合,扩容,子模型,样本条件,分类器,噪声数据,机械故障,出模,少量样本,每类
AB值：
0.237261
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。
