典型文献
基于卷积图神经网络的滚动轴承故障诊断算法
文献摘要：
针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数据压缩预处理,然后将预处理后的一维特征数据转换为图结构数据,最后使用三层图神经网络来进行滚动轴承的故障诊断.在凯斯西储大学滚动轴承数据集(CWRU)上开展实验验证,结果表明,CGNN在各个工况下都能具有90％以上的故障诊断准确率.
文献关键词：
图神经网络;卷积神经网络;深度学习;滚动轴承;故障诊断
中图分类号：
作者姓名：
丁汕汕;陈仁文;刘飞;刘昊
作者机构：
南京航空航天大学机械结构力学及控制国家重点实验室,南京210016
文献出处：
引用格式：
[1]丁汕汕;陈仁文;刘飞;刘昊-.基于卷积图神经网络的滚动轴承故障诊断算法)[J].单片机与嵌入式系统应用,2022(04):38-41,51
A类：
卷积图神经网络,CGNN
B类：
滚动轴承故障诊断,故障诊断算法,深度学习方法,振动信号,诊断准确度,一维卷积神经网络,Convolution,Neural,Network,Graph,卷积层,自适应滤波,数据压缩,维特,特征数据,数据转换,图结构数据,凯斯,轴承数据,CWRU,故障诊断准确率
AB值：
0.257506
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。
