典型文献
一种基于新型轻量级神经网络的滚动轴承故障诊断方法
文献摘要：
近年来随着传感器的技术进步,使得滚动轴承的故障数据获取成几何倍数增长.然而,传统的深度学习方法在处理海量数据时,常常会出现效率低、计算量与占用内存过大的问题.为解决这些问题,文中提出了一个双层宽核卷积神经网络(Two Wide Kerne|Convo|utiona|Neura|Network,TWCNN)模型用于滚动轴承故障诊断.该模型以一维振动信号作为输入(1D-TWCNN),通过在前两个卷积层中采用宽卷积核提取特征,实现了以较少的参数来获取更大的感受野,因此大幅地减少了网络模型的连接参数,使得模型的计算量大幅减少,效率提升.与传统的优秀轻量化模型Mobi|eNetV3(Sma||)的变体和Shuff|eNetV2相比,文中所提出的1D-TWCNN模型不仅总参数量远小于这两个模型.而且在滚动轴承的故障诊断中的诊断精度更高.
文献关键词：
滚动轴承故障诊断;轻量化模型;宽卷积核;卷积神经网络
中图分类号：
作者姓名：
陈洪明;孟威;谭力;王建景;林群煦
作者机构：
五邑大学轨道交通学院,广东江门529020
文献出处：
引用格式：
[1]陈洪明;孟威;谭力;王建景;林群煦-.一种基于新型轻量级神经网络的滚动轴承故障诊断方法)[J].机械工程师,2022(11):59-62
A类：
Kerne,utiona,Neura,TWCNN,eNetV3,Shuff,eNetV2
B类：
轻量级神经网络,滚动轴承故障诊断,故障诊断方法,故障数据,数据获取,倍数,深度学习方法,海量数据,计算量,一个双,Two,Wide,Convo,Network,振动信号,1D,卷积层,宽卷积核,提取特征,感受野,轻量化模型,Mobi,Sma,变体,总参,参数量
AB值：
0.260303
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。
