典型文献
基于GAF-inceptionResNet的齿轮箱故障诊断
文献摘要：
为了提高齿轮箱故障诊断的准确率,准确表达齿轮箱的健康状态,结合深度学习算法,提出了一种用于齿轮故障诊断的GAF-inceptionResNet模型.该模型可以直接将原始一维振动信号经过格拉姆角场变换后形成图像作为模型的输入,通过Stem-block、残差Inception、残差模块和分类层相互连接.残差Inception网络能够拓宽网络深度,提升训练时长及准确率;残差模块利用恒等映射可以大幅度降低模型的训练难度.因此,该模型可有效地挖掘信号特征之间的信息,使模型的特征学习能力增强,从而提高准确率,精准确定故障.实验结果表明,该模型能够达到99.59％的故障诊断精度,有效实现齿轮箱良好的故障识别与分类.
文献关键词：
齿轮箱;故障诊断;格拉姆角场;振动信号;深度残差网络
中图分类号：
作者姓名：
李长文;李鹏;丁华
作者机构：
山西金融职业学院 信息技术系,山西 太原 030008;太原理工大学 机械与运载工程学院,山西 太原 030024;煤矿综采装备山西省重点实验室,山西 太原 030024
文献出处：
引用格式：
[1]李长文;李鹏;丁华-.基于GAF-inceptionResNet的齿轮箱故障诊断)[J].机械传动,2022(06):134-140
A类：
inceptionResNet
B类：
GAF,齿轮箱故障诊断,健康状态,深度学习算法,齿轮故障诊断,振动信号,格拉姆角场,成图,Stem,block,Inception,残差模块,相互连接,宽网,恒等映射,大幅度降低,信号特征,特征学习能力,精准确定,故障诊断精度,故障识别,识别与分类,深度残差网络
AB值：
0.32895
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。
