典型文献
基于QPSO-MC-GCN的柴油机典型故障诊断方法研究
文献摘要：
针对现有方法在处理训练样本较少的数据集时易出现过拟合现象的问题,将图卷积神经网络引入柴油机故障诊断领域,并结合量子粒子群优化算法,建立一种基于QPSO-MC-GCN(Quantum Particle Swarm Optimization-Multi-channel-Graph Convolutional Network)的故障诊断方法.该方法搭建了一种邻接矩阵,将时序振动数据转换为图数据,实现多个测点样本特征的有效融合;利用QPSO对多通道图卷积神经网络(MC-GCN)的关键参数学习率和热核函数宽度进行寻优,以提高模型的泛化能力;在传统图卷积神经网络(GCN)的基础上建立双头权值矩阵以提取更丰富的深层特征,并引入一维最大池化层进一步控制过拟合现象.对实测柴油机振动信号的分析结果表明,该方法针对试验所设定故障类型的诊断准确率优于文中的对比方法,尤其是在低标签比的情况下优势更明显.
文献关键词：
图卷积神经网络;量子粒子群;柴油机;故障诊断
中图分类号：
作者姓名：
廖舒琅;毕凤荣;田从丰;杨晓;李鑫;汤代杰
作者机构：
天津大学 内燃机燃烧学国家重点实验室,天津 300072;山推工程机械股份有限公司,山东济宁 272073
文献出处：
引用格式：
[1]廖舒琅;毕凤荣;田从丰;杨晓;李鑫;汤代杰-.基于QPSO-MC-GCN的柴油机典型故障诊断方法研究)[J].振动与冲击,2022(17):268-275,319
A类：
B类：
QPSO,MC,GCN,典型故障,故障诊断方法,训练样本,过拟合,图卷积神经网络,柴油机故障诊断,量子粒子群优化算法,Quantum,Particle,Swarm,Optimization,Multi,channel,Graph,Convolutional,Network,邻接矩阵,数据转换,图数据,点样,样本特征,有效融合,多通道,参数学习,学习率,热核,核函数,泛化能力,双头,权值,深层特征,最大池化,层进,振动信号,故障类型,诊断准确率,比方
AB值：
0.348014
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。
