典型文献
多模态学习方法在滚动轴承故障诊断中的应用
文献摘要：
滚动轴承在实际运行中负载多变且噪声干扰较大,导致故障特征提取及诊断困难,针对此问题本研究提出一种用于机械设备故障诊断的深度学习方法(MF?CNN),该方法将多模态融合技术(MFT)与卷积神经网络(CNN)结合,用卷积神经网络对一种工况下的滚动轴承故障数据分别提取时域、频域两个模态特征并融合,将融合后的特征作为故障分类的依据来构建整个网络,对变工况下的未知故障类型的数据进行测试,实现时域、频域双模态对轴承故障类型的联合诊断.大量实验结果表明,在变载荷和噪声下,MF?CNN模型用于故障诊断的准确率相对传统单模态的时域CNN和频域CNN均有提高,对由重载荷向轻载荷变化的工况下准确率提升更为明显.
文献关键词：
多模态学习;故障诊断;滚动轴承;变载荷;噪声
中图分类号：
作者姓名：
薛阳;雷文平;岳帅旭;徐向阳;王坤
作者机构：
郑州大学 振动工程研究所,郑州 450001
文献出处：
引用格式：
[1]薛阳;雷文平;岳帅旭;徐向阳;王坤-.多模态学习方法在滚动轴承故障诊断中的应用)[J].机械科学与技术,2022(08):1149-1153
A类：
B类：
多模态学习,滚动轴承故障诊断,实际运行,中负载,噪声干扰,故障特征提取,题本,机械设备故障,设备故障诊断,深度学习方法,多模态融合,融合技术,MFT,故障数据,频域,模态特征,故障分类,变工况,未知故障,故障类型,双模态,联合诊断,变载荷,单模,重载,轻载,载荷变化,准确率提升
AB值：
0.336612
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。
