一种基于新型轻量级神经网络的滚动轴承故障诊断方法
近年来随着传感器的技术进步,使得滚动轴承的故障数据获取成几何倍数增长.然而,传统的深度学习方法在处理海量数据时,常常会出现效率低、计算量与占用内存过大的问题.为解决这些问题,文中提出了一个双层宽核卷积神经网络(Two Wide Kerne|Convo|utiona|Neura|Network,TWCNN)模型用于滚动轴承故障诊断.该模型以一维振动信号作为输入(1D-TWCNN),通过在前两个卷积层中采用宽卷积核提取特征,实现了以较少的参数来获取更大的感受野,因此大幅地减少了网络模型的连接参数,使得模型的计算量大幅减少,效率提升.与传统的优秀轻量化模型Mobi|eNetV3(Sma||)的变体和Shuff|eNetV2相比,文中所提出的1D-TWCNN模型不仅总参数量远小于这两个模型.而且在滚动轴承的故障诊断中的诊断精度更高.
滚动轴承故障诊断、轻量化模型、宽卷积核、卷积神经网络
TH133
普通高校认定类科研项目2019GKQNCX104
2022-11-18(万方平台首次上网日期,不代表论文的发表时间)
共4页
59-62