典型文献
基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断
文献摘要：
为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法.通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别.结果表明:与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高.
文献关键词：
故障诊断;注意力机制;残差网络;完全噪声辅助聚合经验模态分解;麻雀搜索算法;支持向量机
中图分类号：
作者姓名：
宋振军;高丙朋;庄国航;刘前进;赵恒辉
作者机构：
新疆大学电气工程学院,新疆乌鲁木齐830047
文献出处：
引用格式：
[1]宋振军;高丙朋;庄国航;刘前进;赵恒辉-.基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断)[J].机床与液压,2022(15):194-200
A类：
完全噪声辅助聚合经验模态分解
B类：
ECA,ResNet,CEEMDAN,能量熵,轴承故障诊断,故障分类,分类模型,泛化性能,故障识别率,速度慢,深度学习模型,麻雀搜索算法,算法优化,SSA,故障诊断方法,频域特征,时域特征,构成特征,特征矩阵,故障类型识别,故障特征提取,提取方式,诊断效果,注意力机制,残差网络
AB值：
0.253336
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。
