10.16039/j.cnki.cn22-1249.2022.11.005
基于深度学习的机械轴承故障智能诊断
智能故障诊断对于提高智能制造的可靠性具有重要意义.基于深度学习的故障诊断方法在工业领域已经取得了很大的成功,但是不同的模型提取的特征存在一定的差异.针对数据特征提取不全面等问题,提出一种基于深度学习的融合网络模型(CLOD).首先通过傅里叶变换对故障信号进行时频分析,得到时频谱样本,然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习,最后通过更新网络参数来提高模型性能,实现轴承故障精确智能诊断.与传统方法比较,CLOD在保证准确率的基础上,极大地增加了模型的拟合速度和稳定性.
故障诊断、傅里叶变换、卷积神经网络、特征融合、深度学习
39
TP391(计算技术、计算机技术)
2023-06-30(万方平台首次上网日期,不代表论文的发表时间)
共5页
25-29