期刊文献+

基于全矢1D-CNN的轴承故障诊断研究 被引量:3

下载PDF
导出
摘要 主要研究了卷积神经网络(CNN)和轴承故障诊断领域中的特征相结合,提出了全矢1D-CNN轴承故障方法,不但对于原故障信号数据集进行了数据增强,而且使用深度拟合器对于数据集特征深度提取。经过试验验证了全矢1D-CNN在轴承故障识别中不但可以取得较高的准确率,而且鲁棒性也符合特征提取的要求。
机构地区 郑州大学
出处 《设备管理与维修》 2019年第15期21-24,共4页 Plant Maintenance Engineering
  • 相关文献

参考文献2

二级参考文献28

  • 1杨宇,于德介,程军圣.基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用[J].振动与冲击,2005,24(2):12-15. 被引量:47
  • 2陆爽.基于奇异值分解和支持向量机的滚动轴承故障模式识别[J].农业工程学报,2007,23(4):115-119. 被引量:12
  • 3GolubGH VanLoanCF 袁亚湘译.矩阵计算[M].北京:科学出版社,2001.631-639.
  • 4段向阳 王永生 苏永生.基于奇异值分解的信号特征提取方法研究.振动与冲击,2009,28(11):30-33.
  • 5Hinton G E, Simon O, Yee-Whye T. A fast learning algorithm for deep belief nets[J]. Neural Computa- tion, 2006, 18(7):1527-1554.
  • 6Hinton G E, Salakhutdinov R. Reducing the dimen- sionality of data with neural networks[J]. Science, 2006, 313:504-507.
  • 7Mohamed A, Dah G E, Hinton G E. Acoustic mod- eling using deep belief networks[J]. IEEE Trans on Audio, Speech, and Language Processing, 2012, 20 (1) : 14-22.
  • 8Nair V, Hinton G E. 3D object recognition with deep belief nets[C]//Proc of Neural Information Processing System Networks and Applications. Vancouver, Cana- da:[s, n.], 2009: 1339-1347.
  • 9Zhou S S, Chen Q C, Wang X L. Active deep learn- ing method for semi-supervised sentiment classifica- tion[J].Neurocomputing, 2013,120(11) : 536-546.
  • 10Zhou S S, Chen Q C, Wang X L. Fuzzy deep belief networks for semi-supervised [J]. Neurocomputing, 2014, 131(5) :312-322.

共引文献32

同被引文献23

引证文献3

二级引证文献5

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部