动态自适应学习率优化的卷积神经网络轴承故障诊断方法

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：滚动轴承的工作转速和载荷很多时候是变化的,基于先验知识的诊断方法很难取得令人满意的分类效果.针对这一问题,提出了基于Nesterov动量的自适应卷积神经网络,用于轴承故障诊断.首先,将网络中传统动量规则替换为Nesterov动量,改善传统方法容易错过最优解问题.其次,为了改善网络泛化能力,设计了一种根据误差变化率动态调整学习率的自适应学习率规则.最后,将采集到的原始数据直接输入到提出的网络中训练故障诊断模型,并利用测试数据对模型进行评测.实验结果表明,提出的优化方法改善了神经网络的收敛性,提高了轴承故障分类精度.

外文标题：Bearing Fault Diagnosis Method Based on Convolutional Neural Network Optimized by Dynamic Adaptive Learning Rate

外文关键词：

Convolutional Neural NetworkNesterov MomentumAdaptive Learning RateRolling BearingFault Diagnosis

作者：

高淑芝、裴志明、张义民

展开 >

作者单位：

沈阳化工大学装备可靠性研究所,辽宁沈阳 110142

沈阳化工大学信息工程学院,辽宁沈阳 110142

关键词：

卷积神经网络 Nesterov动量自适应学习率滚动轴承故障诊断

基金：

国家自然科学基金-辽宁联合基金辽宁省高端人才建设项目辽宁省特聘教授项目

项目编号：

U1708254[2018]3533

出版年：

2023

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)：2023.389(7)

被引量2
参考文献量1