基于1D卷积与特征融合的深度学习轴承诊断算法研究

余波; 王朝宇; 付志超; 凌静; 陈军江

首页> 中文期刊> 《计算机科学与应用》 >基于1D卷积与特征融合的深度学习轴承诊断算法研究

基于1D卷积与特征融合的深度学习轴承诊断算法研究

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

摘要

轴承损伤严重影响设备正常运行,减小设备寿命。对轴承损伤的有效识别可以帮助设备进行维护。为此,本文创造性地提出了一种基于1D卷积与特征融合的互扰神经网络(Interference neural net-work, IFNN)深度学习模型来实现轴承诊断。该模型由7层大尺寸卷积核单元、传统特征计算单元、融合单元和Softmax分类器组成。为了检验所提出方法的有效性,采用10倍交叉验证、4个数值指标和ROC曲线面积来评估分类结果。实验结果表明,本文提出的IFNN模型准确率为96.09%,精度为96.48%,召回率为96.10%,F1-score为96.08%,ROC值为1。通过与随机森林、支持向量机等模型的对比,IFNN模型的性能明显优于其他模型。因此,所提出的IFNN模型能有效地完成轴承损伤诊断任务。

著录项

来源
《计算机科学与应用》 |2020年第11期|P.2105-2121|共17页
作者
余波; 王朝宇; 付志超; 凌静; 陈军江;
展开▼
作者单位

重庆交通大学机电与车辆工程学院重庆;

重庆交通大学城市轨道车辆系统集成与控制重点实验室重庆;

重庆市勘测院重庆;

重庆交通大学城市轨道车辆系统集成与控制重点实验室重庆;

重庆市勘测院重庆;

展开▼
原文格式 PDF
正文语种 chi
中图分类中等教育;
关键词
轴承诊断; 1D卷积; 特征融合; 互扰神经网络;

相似文献

中文文献
外文文献
专利

1. 基于1D卷积神经网络的滚动轴承故障诊断方法 [J] . 于景洋 ,宁德军 ,毛建华 . 工业控制计算机 . 2019,第006期
2. 基于深度学习与混沌特征融合的滚动轴承故障诊断 [J] . 金江涛 ,许子非 ,李春 . 控制理论与应用 . 2022,第1期
3. 基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法 [J] . 余龙靖 ,王冉 ,刘丰恺 . 失效分析与预防 . 2021,第004期
4. 基于最小熵解卷积(MED)与1.5维普融合的变速器轴承故障诊断研究 [J] . 梅自元 ,刘石生 ,陈攀 . 江西化工 . 2019,第004期
5. 基于最小熵解卷积与谱峭度融合的变速器轴承故障诊断 [J] . 梅自元 ,邹伟 ,刘仁 . 清远职业技术学院学报 . 2019,第006期
6. 基于时频域多特征融合的动车组轴承故障诊断方法研究 [C] . 刘程林 ,樊焕贞 ,房红征 . 第二十六届测试与故障诊断技术研讨会 . 2017
7. 基于特征挖掘与融合的深度学习滚动轴承故障诊断 [A] . 周炜 . 2020

基于1D卷积与特征融合的深度学习轴承诊断算法研究

摘要

著录项

相似文献

相关主题

期刊订阅