典型文献
设备健康监测数据采集与分析模型构建
文献摘要：
为提高滚动轴承等工业设备健康监测数据采集和分析的准确率,结合深度学习的特点,构建一个基于多重卷积神经网络融合的故障诊断模型,实现工业设备健康实时监测.首先,对卷积神经网络CNN和深度学习网络DNN的基本原理和网络结构进行具体分析,分别利用CNN和DNN多维度深层特征提取和挖掘的特点,提出多重CNN融合故障诊断算法;然后将此算法应用到工业设备监控监测模型中,对工业设备数据进行采集和处理分析.结果表明,对比于传统的CNN和DNN模型,融合后的模型在计算过程中的损耗较低,对工业设备故障诊断的准确率高达99.74％,可实现工业设备健康监测数据的有效采集和分析,模型性能优越.
文献关键词：
深度学习;卷积神经网络;工业设备;故障诊断;健康监测
中图分类号：
作者姓名：
王娜
作者机构：
陕西职业技术学院电子信息工程学院,西安710038
文献出处：
引用格式：
[1]王娜-.设备健康监测数据采集与分析模型构建)[J].自动化与仪器仪表,2022(08):42-45,49
A类：
B类：
健康监测,滚动轴承,工业设备,网络融合,故障诊断模型,深度学习网络,DNN,深层特征,故障诊断算法,算法应用,设备监控,控监,监测模型,处理分析,设备故障诊断,模型性能,性能优越
AB值：
0.262098
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。
