期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于AFF-Stablenet模型的小样本轴承故障诊断
1
作者 郭康 王志刚 徐增丙 《现代制造工程》 CSCD 北大核心 2024年第9期144-151,53,共9页
针对滚动轴承在小样本条件下诊断准确率低和泛化性弱的问题,提出了一种基于注意力特征融合的深度稳定学习(Attention Feature Fusion and Deep Stable Learning,AFF-Stablenet)模型的故障诊断方法。该方法首先使用经验模态分解(Empirica... 针对滚动轴承在小样本条件下诊断准确率低和泛化性弱的问题,提出了一种基于注意力特征融合的深度稳定学习(Attention Feature Fusion and Deep Stable Learning,AFF-Stablenet)模型的故障诊断方法。该方法首先使用经验模态分解(Empirical Mode Decompositim,EMD)将样本分解成多段频率的子信号,求取子信号与原始信号的互相关系数,选择系数较高的前三阶子信号;利用连续小波变换(Continuws Narelet Transorm,CWT)将子信号转换为时频图表示,通过注意力特征融合的方式将这些时频图特征进行融合;最后将融合特征输入到深度稳定学习(Stablenet)模型进行训练与预测。为验证模型的有效性,采用凯斯西储大学轴承数据集进行各组对比试验,都灵理工大学轴承数据集进行验证。实验结果表明,AFF-Stablenet模型在小样本情况下的泛化性和鲁棒性均强于其他对比模型,证明了模型的优越性。 展开更多
关键词 注意特征融合 深度稳定学习 滚动轴承 小样本 故障诊断
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部