10.16621/j.cnki.issn1001-0599.2023.08.73
基于Sigmoid的轴承多任务故障诊断
深度学习方法在旋转机械的故障诊断领域应用广泛,效果良好.但值得注意的是,大部分模型局限于分类几种故障,是一种简单的单任务分类.提出一种基于卷积神经网络的多任务分类模型,同时诊断故障类型和程度.采用Grad-CAM(Gradient-weighted Class Activation Mapping,梯度类激活映射)方法可视化深度模型中隐含层的关注信号的特征,定位模型感兴趣的信号段,从视觉上解释深度学习模型区分类别的关键特征.采用公开的轴承数据集验证方法的有效性,为进一步探讨深度学习模型的可解释性提供新思路.
卷积神经网络、轴承、梯度加权的类激活映射
TH133.37;TN911.7
2023-11-14(万方平台首次上网日期,不代表论文的发表时间)
共5页
186-190