典型文献
基于一维卷积神经网络的自动扶梯机械故障分类研究
文献摘要：
老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少.自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳.为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型.首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集.然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型.最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了 95％的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础.
文献关键词：
自动扶梯机械故障;故障诊断;一维卷积神经网络
中图分类号：
作者姓名：
梁敏健;彭晓军;刘德阳
作者机构：
广东省特种设备检测研究院珠海检测院,广东珠海 519002
文献出处：
引用格式：
[1]梁敏健;彭晓军;刘德阳-.基于一维卷积神经网络的自动扶梯机械故障分类研究)[J].测控技术,2022(07):87-92,110
A类：
自动扶梯机械故障,梯级滚轮
B类：
一维卷积神经网络,故障分类,分类研究,定期检验,智能分类,振动信号,数据量,机器学习算法,诊断效果,二维卷积神经网络,卷积核,自动分类,分类模型,先为,泛化性能,凯斯,轴承故障,东南大学,齿轮故障,大型商场,磨损故障,复合故障,故障数据,数据增强,机械故障诊断,故障诊断模型,测试数据,分类精度,验证实验,快速准确,自动诊断,诊断准确率,算法集成,检验仪器
AB值：
0.248691
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。
