机械设计与制造2023，Vol.389Issue(7) ：211-214,222.

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

Bearing Fault Diagnosis Method Based on Convolutional Neural Network Optimized by Dynamic Adaptive Learning Rate

高淑芝 裴志明 张义民
机械设计与制造2023，Vol.389Issue(7) ：211-214,222.
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

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

Bearing Fault Diagnosis Method Based on Convolutional Neural Network Optimized by Dynamic Adaptive Learning Rate

高淑芝 1裴志明 2张义民1
扫码查看

作者信息

  • 1. 沈阳化工大学装备可靠性研究所,辽宁沈阳 110142
  • 2. 沈阳化工大学信息工程学院,辽宁沈阳 110142
  • 折叠

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.

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

Key words

Convolutional Neural Network/Nesterov Momentum/Adaptive Learning Rate/Rolling Bearing/Fault Diagnosis

引用本文复制引用

基金项目

国家自然科学基金-辽宁联合基金(U1708254)

辽宁省高端人才建设项目()

辽宁省特聘教授项目([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
被引量2
参考文献量1
段落导航相关论文