典型文献
多深度学习模型决策融合的齿轮箱故障诊断分类方法
文献摘要：
针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks,CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders,SDAE)的混合网络模型,根据改进的Demp-ster-Shafer(D-S)证据理论实现决策级融合诊断.以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型.实验结果表明:利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径.
文献关键词：
卷积神经网络(CNN);堆叠降噪自动编码器(SDAE);改进D-S证据理论;故障诊断
中图分类号：
作者姓名：
陈科;段伟建;吴胜利;邢文婷
作者机构：
重庆交通大学交通运输学院,重庆400074;重庆市公安局交通管理局,重庆400054;重庆工商大学管理科学与工程学院,重庆400067
文献出处：
引用格式：
[1]陈科;段伟建;吴胜利;邢文婷-.多深度学习模型决策融合的齿轮箱故障诊断分类方法)[J].科学技术与工程,2022(12):4804-4811
A类：
B类：
深度学习模型,模型决策,决策融合,齿轮箱故障诊断,故障诊断分类,分类方法,齿轮故障诊断,一传,采集信息,容错性,信号处理,提取特征,convolutional,neural,networks,堆叠降噪自动编码器,stacked,denoising,autoencoders,SDAE,混合网络模型,Demp,ster,Shafer,证据理论,理论实现,决策级融合,融合诊断,时频信号,频域信号,Adam,dropout,批量归一化,归一化技术,技术训练,混合模型,融合方法,诊断正确率,故障智能诊断
AB值：
0.379738
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。
