典型文献
基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断
文献摘要：
考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型.采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类.通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94％,验证集上的准确率为99.89％,测试集准确率也达到99.65％,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间.
文献关键词：
计量学;滚动轴承;故障诊断;改进LeNet-5网络;贝叶斯优化;深度学习
中图分类号：
作者姓名：
汤亮;凡焱峰;徐适斐;蔡凯翼
作者机构：
湖北工业大学机械工程学院,湖北武汉430068;湖北省制造业创新方法与应用工程技术研究中心,湖北武汉430068
文献出处：
引用格式：
[1]汤亮;凡焱峰;徐适斐;蔡凯翼-.基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断)[J].计量学报,2022(07):913-919
A类：
B类：
贝叶斯优化,优化与改进,LeNet,滚动轴承故障诊断,难以确定,优化改进,故障诊断模型,训练过程,学习率,超参数,振动信号,批归一化处理,激活函数,过拟合,全局平均池化层,全连接层,提高改,泛化能力,Softmax,分类器,轴承数据,训练集,验证集,测试集,一维卷积神经网络,二维卷积神经网络,网络对比,训练时间
AB值：
0.239201
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。
