10.11835/j.issn.1000-582X.2019.02.006
基于改进型深度网络数据融合的滚动轴承故障识别
针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型.模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类.实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力.
深度学习、卷积神经网络、故障识别、振动信号、滚动轴承、特征提取
42
TH17
国家重大科学仪器设备开发专项项目2012YQ20022407;河南省科技攻关项目122102210387;河南省教育厅科技攻关项目13B52090
2019-04-19(万方平台首次上网日期,不代表论文的发表时间)
共11页
51-61