典型文献
基于多层训练干扰的CNN轴承故障诊断
文献摘要：
针对滚动轴承故障诊断方法在低信噪比情况下抗噪性能差以及在不同工况下自适应性不足的问题,提出了一种基于多层训练干扰的卷积神经网络滚动轴承故障诊断方法.首先,通过快速傅里叶变换将原始信号从时域变换到频域并作为卷积神经网络(CNN)的输入,再对多层卷积层进行实时训练干扰,以不同程度随机破坏网络训练,提高模型的抗噪性能和域自适应能力;同时引入批量归一化(BN)方法,改进卷积神经网络结构,改善模型性能.实验结果表明,所提方法不仅在噪声干扰下能达到较高的诊断准确率,同时也能有效地解决工况变化问题.
文献关键词：
卷积神经网络;故障诊断;抗噪声;变工况;滚动轴承
中图分类号：
作者姓名：
王连云;陶洪峰;徐琛;杨慧中
作者机构：
江南大学 教育部轻工过程先进控制重点实验室,江苏无锡 214122;江南大学 物联网工程学院,江苏无锡 214122
文献出处：
引用格式：
[1]王连云;陶洪峰;徐琛;杨慧中-.基于多层训练干扰的CNN轴承故障诊断)[J].控制工程,2022(09):1652-1657
A类：
B类：
滚动轴承故障诊断,故障诊断方法,低信噪比,抗噪性能,不同工况,下自,自适应性,快速傅里叶变换,域变换,换到,频域,卷积层,层进,网络训练,域自适应,自适应能力,批量归一化,BN,改进卷积神经网络,神经网络结构,模型性能,噪声干扰,诊断准确率,工况变化,抗噪声,变工况
AB值：
0.325023
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。
