典型文献
CNN混合模型的旋转机械故障诊断方法研究
文献摘要：
针对旋转机械信号采集过程中易受噪声干扰和单一智能诊断模型在故障诊断过程中鲁棒性差等问题,提出一种基于卷积神经网络(CNN)混合模型的旋转机械故障诊断方法.该模型由一维CNN和二维CNN组成,将原始的机械振动信号数据利用一维CNN和二维CNN进行处理,以充分利用采集的信号数据,最大化发挥CNN自适应提取特征的能力,并采用全局均值池化层替代传统CNN的连接层,减少训练参数和计算时间.最后利用特征融合技术将一维和二维CNN提取的主要特征输入Softmax分类器中,进行模式辨别与归类.通过基准轴承数据集和噪音干扰实验分别对该模型进行实验分析,实验结果证明了该方法的可行性与泛化性,具有较高的抗噪音干扰能力,对旋转机械的状况监测和故障诊断的研究具有良好的应用价值.
文献关键词：
旋转机械;故障诊断;卷积神经网络;振动信号;混合模型;特征提取;全局平均池化;抗噪音干扰
中图分类号：
作者姓名：
崔灿;陈林波;张敏
作者机构：
湖北工业大学 机械工程学院,湖北 武汉 430068;湖北工业大学 工程技术学院,湖北 武汉 430068
文献出处：
引用格式：
[1]崔灿;陈林波;张敏-.CNN混合模型的旋转机械故障诊断方法研究)[J].现代电子技术,2022(13):73-77
A类：
抗噪音干扰
B类：
混合模型,旋转机械故障诊断,故障诊断方法,机械信号,信号采集,采集过程,中易,噪声干扰,智能诊断模型,诊断过程,中鲁,机械振动,振动信号,号数,数据利用,自适应提取,提取特征,全局均值池化,少训练,计算时间,特征融合,融合技术,Softmax,分类器,辨别,轴承数据,干扰实验,泛化性,干扰能力,全局平均池化
AB值：
0.278633
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。
