典型文献
基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断
文献摘要：
针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法.依据格拉姆角场图像编码方法对时间序列编码映射的唯一性,将原始振动信号转化为格拉姆角差场图和格拉姆角和场图,并将在ImageNet上预训练好的ResNet18模型参数,迁移到以格拉姆角场图作为输入的ResNet18中,进行不同故障模式下格拉姆角场图的特征提取和分类,从而达到故障诊断的目的.分析结果表明,所提方法相比于传统灰度图编码,更能突出不同故障模式的内在特征,与传统卷积神经网络模型相比,提出的方法具有更高的识别精度,达到99.30％,且具有更快的收敛速度和更强的鲁棒性.
文献关键词：
格拉姆角场;图像编码;迁移深度残差神经网络;滚动轴承;故障诊断
中图分类号：
作者姓名：
古莹奎;吴宽;李成
作者机构：
江西理工大学机电工程学院,江西 赣州 341000
文献出处：
引用格式：
[1]古莹奎;吴宽;李成-.基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断)[J].振动与冲击,2022(21):228-237
A类：
迁移深度残差神经网络
B类：
格拉姆角场,滚动轴承故障诊断,过拟合,灰度图,图编码,时间信息,信息损失,图像编码,故障诊断方法,编码方法,列编,编码映射,唯一性,振动信号,格拉姆角差场,格拉姆角和场,ImageNet,预训练,练好,ResNet18,故障模式,下格,内在特征,卷积神经网络模型,识别精度,收敛速度
AB值：
0.23299
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。
