首页|深度残差网络在滚动轴承故障诊断中的研究

深度残差网络在滚动轴承故障诊断中的研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),它可以直接将原始振动信号作为模型的输入,通过池化层、残差模块和分类层相互连接,更加有效的挖掘信号特征之间的信息,从而增强了轴承振动信号的特征学习能力.实验结果表明,该模型能够达到99.75％的轴承故障诊断精度,实现了良好的故障分类任务,为以后的机械故障诊断研究提供了理论指导和借鉴.
Study on Fault Diagnosis of Rolling Bearing by Deep Residual Network

张小刚、丁华、王晓波、杨亮亮

展开 >

太原理工大学机械与运载工程学院,山西太原 030024

煤矿综采装备山西省重点实验室,山西太原 030024

滚动轴承 故障诊断 深度学习 振动信号 深度残差网络

山西省科技基础条件平台项目山西省煤矿装备与机械结构虚拟仿真实验教学中心开放实验项目

201805D1410022019MJ01

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.371(1)
  • 13
  • 3