典型文献
一维多尺度卷积神经网络及其在滚动轴承故障诊断中的应用
文献摘要：
为了有效利用来自实际生产中监测系统的海量数据,并结合一维卷积网络在处理一维数据的优势,提出一种端到端的一维多尺度卷积神经网络滚动轴承故障诊断方法.首先使用两个一维卷积层和池化层将输入振动信号的长度缩减并增加通道数,然后利用多尺度并行一维卷积核对上层输出特征进行不同尺度上的反复提取和重构,最后将提取到的特征输入到一个全连接层进行故障分类.为验证算法的有效性,通过对滚动轴承不同工况、不同训练样本以及与支持向量机、BP神经网络和循环神经网络等算法对比分析.结果表明提出的模型及方法具有较好的识别效果,滚动轴承故障诊断正确率达到99.78％.
文献关键词：
滚动轴承;故障诊断;一维卷积网络;深度学习
中图分类号：
作者姓名：
张成帆;江泽鹏;曹伟;陈伟;张敏
作者机构：
西南交通大学 机械工程学院,成都 610031;轨道交通运维技术与装备四川省重点实验室,成都 610031;西南交通大学 盾构/TBM装备摩擦学设计实验室,成都 610031
文献出处：
引用格式：
[1]张成帆;江泽鹏;曹伟;陈伟;张敏-.一维多尺度卷积神经网络及其在滚动轴承故障诊断中的应用)[J].机械科学与技术,2022(01):120-126
A类：
B类：
维多,多尺度卷积神经网络,滚动轴承故障诊断,海量数据,一维卷积网络,端到端,故障诊断方法,卷积层,池化,振动信号,减并,通道数,卷积核,核对,不同尺度,取到,全连接层,层进,故障分类,不同工况,训练样本,循环神经网络,算法对比,诊断正确率
AB值：
0.244996
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。
