典型文献
基于W-DenseNet的减压阀不平衡样本故障诊断模型
文献摘要：
针对实际工况中被测对象大多处于正常状态而引起故障样本稀缺、故障数据间存在差异,导致故障类别识别准确率不高的问题,基于密集卷积神经网络(DenseNet),提出一种减压阀样本数据不平衡下的故障诊断模型—–加权密集卷积神经网络(W-DenseNet).首先,将原始一维压力信号数据重构后转换为二维灰度图,作为模型的输入数据;其次,以DenseNet为基础框架搭建特征提取网络;然后,在损失函数中为不同类别样本添加惩罚系数以实现不平衡样本误差的加权平均;最后,为验证模型的有效性,搭建减压阀数据采集系统并进行分类性能实验.实验结果表明:W-DenseNet模型在不同平衡度的减压阀数据集下均有良好的分类效果,且当各故障类间均存在样本不平衡现象时,模型对3种故障类型的召回率仍分别高达95.18％、95.47％、96.89％.
文献关键词：
减压阀;密集卷积神经网络;不平衡样本;加权交叉熵损失函数;故障诊断
中图分类号：
作者姓名：
张洪;盛永健;黄子龙;刘晨;曹毅
作者机构：
江南大学机械工程学院,江苏无锡214122;江南大学江苏省食品先进制造装备技术重点实验室,江苏无锡214122
文献出处：
引用格式：
[1]张洪;盛永健;黄子龙;刘晨;曹毅-.基于W-DenseNet的减压阀不平衡样本故障诊断模型)[J].控制与决策,2022(06):1513-1520
A类：
B类：
DenseNet,减压阀,不平衡样本,故障诊断模型,针对实际,实际工况,多处,正常状态,稀缺,故障数据,识别准确率,密集卷积神经网络,数据不平衡,压力信号,号数,数据重构,二维灰度图,输入数据,基础框架,框架搭建,特征提取网络,别样,罚系数,加权平均,验证模型,数据采集系统,分类性能,性能实验,平衡度,分类效果,样本不平衡,不平衡现象,故障类型,召回率,加权交叉熵损失函数
AB值：
0.357689
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。
