10.13465/j.cnki.jvs.2020.24.026
基于SFLA改进卷积神经网络的滚动轴承故障诊断
针对卷积神经网络(CNN)用于滚动轴承故障诊断时,训练次数比较多,网络结构不容易确定等问题,设计了一种基于混合蛙跳(SFLA)优化CNN的算法(SFLA-CNN),以及基于该算法的滚动轴承故障诊断模型.该模型利用SFLA强大的全局寻优能力和局部深度搜索能力来优化CNN结构,随后运用具有最优结构的CNN模型直接从原始振动信号中提取低维故障特征,并将其输入到Softmax分类器中进行故障识别.与BP神经网络、CNN等方法对比分析,试验结果表明,SFLA-CNN算法具有更高的准确率以及更少的训练次数.
卷积神经网络(CNN)、混合蛙跳算法(SFLA)、滚动轴承、故障诊断
39
THA133.3
湖北省自然科学基金2015CFB698
2021-02-04(万方平台首次上网日期,不代表论文的发表时间)
共7页
187-193