-
题名基于深度可分离卷积神经网络的轴承故障诊断模型
被引量：3
- 1
-
-
作者
金钰森
丁飞
陈竺
郑雁鹏
黄伟韬
-
机构
南京邮电大学智慧物联网应用技术研究院
上海市工业物联网与大数据专家工作站
-
出处
《无线电通信技术》
北大核心
2024年第1期193-202,共10页
-
基金
江苏省重点研发计划(BE2020084-1)
江苏省“六大人才高峰”高层次人才培养资助项目(DZXX-008)
+1 种基金
南京邮电大学科研创新基金(NY220028)
南京邮电大学大学生创新训练计划项目(CXXYB2022281)。
-
文摘
在现实工业环境中需要对设备故障做出快速准确的诊断,低时延和高准确度的要求使得传统卷积神经网络(Convolutional Neural Network, CNN)在故障诊断过程中受到严重制约。针对此问题,提出了一种基于深度可分离卷积神经网络(Separable Convolutional Neural Network, SCNN)的轴承故障诊断模型,构建能够处理连续振动信号的主干CNN,通过对主干CNN中的卷积层进行可分离处理来构建SCNN,实现卷积过程的通道和区域的分离,减少卷积计算过程中所需的参数,从而降低计算时延;为SCNN引入残差层,通过残差连接来保证卷积迭代计算的准确率,避免网络层数过多而造成过拟合。为了对比所构建模型的有效性,将传统的VGG16和ResNet50网络进行一维重构来进行验证,并对分类处理后的CWRU故障轴承数据进行分析。结果显示该模型在保证识别准确率的同时有效地提高了故障诊断的效率。
-
关键词
故障诊断
滚动轴承
残差神经网络
可分离卷积神经网络
-
Keywords
fault diagnosis
rolling bearing
residual neural network
SCNN
-
分类号
TN919.23
[电子电信—通信与信息系统]
-
