典型文献
基于改进DenseNet模型的滚动轴承变工况故障诊断
文献摘要：
针对旋转机械传统故障诊断中浅层特征对振动信号故障信息表征能力不足以及在变工况条件下传统的网络模型诊断能力差的问题,提出了一种结合风格再校准模块(style-based recalibration module,SRM)和密集连接卷积神经网络(densely connected convolutional networks,DenseNet)智能故障诊断神经网络模型.将预处理得到的时频图输入到引入SRM的DenseNet网络模型中,通过对特征图进行重新加权以及特征复用,避免有效信息缺失,降低了无关信息的干扰,增强模型对故障特征的提取能力.分别进行单一工况和变工况实验验证,结果表明所提方法在变工况条件下的故障识别率均优于目前主流的SVM、WDCNN和ECACNN诊断方法.
文献关键词：
旋转机械故障诊断;风格再校准模块;密集连接卷积神经网络;变工况
中图分类号：
作者姓名：
王焜;刘鑫;杨嘉其;董增寿
作者机构：
太原科技大学电子信息工程学院,太原 030024
文献出处：
引用格式：
[1]王焜;刘鑫;杨嘉其;董增寿-.基于改进DenseNet模型的滚动轴承变工况故障诊断)[J].组合机床与自动化加工技术,2022(06):78-81
A类：
风格再校准模块,WDCNN,ECACNN
B类：
DenseNet,滚动轴承,承变,变工况故障诊断,中浅层,振动信号,故障信息,信息表征,表征能力,工况条件,下传,诊断能力,style,recalibration,module,SRM,密集连接卷积神经网络,densely,connected,convolutional,networks,智能故障诊断,理得,时频图,特征图,复用,有效信息,信息缺失,增强模型,故障特征,特征的提取,故障识别率,旋转机械故障诊断
AB值：
0.354457
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。
