典型文献
基于深度1DCNN的25YCY柱塞泵故障诊断网络优化及验证
文献摘要：
以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响.在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强.以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动信号的获取,开展故障诊断测试分析.研究结果表明:对D-1DCNN进行网络参数调节优化确定,学习率为0.3,卷积核高度3,批处理量保持50,最大池化模型,Adam优化器.在10次迭代后再进行第二次迭代时达到100％准确率,训练时间共124 s,表明D-1DCNN能够满足对轴向柱塞泵故障进行准确诊断的结果,完全符合智能故障诊断指标.该研究对提高25YCY柱塞泵的故障诊断具有很好的实际应用价值.
文献关键词：
柱塞泵;故障诊断;深度一维卷积神经网络;准确率;采样
中图分类号：
作者姓名：
马海英;张鹏;郭志军
作者机构：
黄河交通学院汽车工程学院,河南武陟454950;河南科技大学车辆与交通工程学院,河南洛阳471003
文献出处：
引用格式：
[1]马海英;张鹏;郭志军-.基于深度1DCNN的25YCY柱塞泵故障诊断网络优化及验证)[J].中国工程机械学报,2022(03):269-272,278
A类：
25YCY,深度一维卷积神经网络
B类：
1DCNN,断网,网络优化,学习过程,数据精度,设计模型,高比例,卷积层,模型特征,提取效率,轴向柱塞泵,三轴加速度计,耦合器,振动信号,故障诊断测试,测试分析,网络参数,参数调节,学习率,卷积核,批处理,处理量,最大池化,Adam,优化器,代时,训练时间,完全符合,智能故障诊断,诊断指标
AB值：
0.339424
相似文献
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。
