典型文献
考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法
文献摘要：
针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应.仿真实验结果表明:相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能.
文献关键词：
轴承故障诊断;二维灰度图;卷积神经网络;故障位置;损伤程度
中图分类号：
作者姓名：
李中;卢春华;王星;班双双
作者机构：
华北电力大学电子与通信工程系,保定071003;华北电力大学河北省电力物联网技术重点实验室,保定071003
文献出处：
引用格式：
[1]李中;卢春华;王星;班双双-.考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法)[J].科学技术与工程,2022(04):1441-1448
A类：
B类：
故障位置,双分支卷积神经网络,网络故障诊断,故障诊断方法,有深度,深度学习方法,非平稳,滚动轴承故障诊断,诊断过程,故障信息,信息利用,数据特征,映射关系,振动信号,信号矩阵,矩阵化,二维灰度图,灰度图像,图像数据集,VGGNet,深度卷积网络,二值化,深层特征,先验知识,多状态,状态分类,抗噪性能
AB值：
0.25503
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。
