文档名：基于并行网络多尺度特征融合的轴承故障诊断
摘要：针对健康带标签的滚动轴承故障数据稀少的问题,提出了一种基于并行卷积神经网络(CNN)多尺度特征融合的轴承故障诊断方法.首先,采用不同的轴承振动数据,获取对轴承数据的不同视角表达,分别作为并行CNN的输入;其次,用ImageNet数据集对VGG16网络进行预训练,并用带标签的轴承故障数据对预训练后的VGG16网络进行微调,取微调后的VGG16网络作为特征提取器,分别提取不同视角故障数据中的中间特征;最后,设计特征融合模块,通过多尺度特征融合得到高层次故障特征,并用高层次故障特征训练分类模块,实现轴承的故障诊断.经过实验验证,所提出的算法可以对轴承故障数据进行更全面的挖掘,最终获得更高的诊断准确率.
作者：姜山 封松林 吴波 王文瑞 鲁方林 袁晓兵 Author：JIANGShan FENGSonglin WUBo WANGWenrui LUFanglin YUANXiaobing
作者单位：中国科学院上海高等研究院,上海201210;中国科学院大学,北京100049中国科学院上海高等研究院,上海201210中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室,上海200050
刊名：传感器与微系统 ISTICPKU
Journal：TransducerandMicrosystemTechnologies
年，卷(期)：2023, 42(10)
分类号：TP206+.3TH133.3TP391
关键词：轴承 故障诊断 并行网络 迁移学习 特征提取
Keywords：bearing faultdiagnosis parallelnetwork transferlearning featureextraction
机标分类号：TP391.4R318TP206.3
在线出版日期：2023年11月6日
基金项目：上海市自然科学基金资助项目，中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室开放项目基于并行网络多尺度特征融合的轴承故障诊断[
期刊论文] 传感器与微系统--2023, 42(10)姜山 封松林 吴波 王文瑞 鲁方林 袁晓兵针对健康带标签的滚动轴承故障数据稀少的问题,提出了一种基于并行卷积神经网络(CNN)多尺度特征融合的轴承故障诊断方法.首先,采用不同的轴承振动数据,获取对轴承数据的不同视角表达,分别作为并行CNN的输入;其次,用Imag...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于并行网络多尺度特征融合的轴承故障诊断 Bearing fault diagnosis based on multi-scale feature fusion of parallel network
基于并行网络多尺度特征融合的轴承故障诊断.pdf
- 文件大小:
- 979.62 KB
- 下载次数:
- 60
-
高速下载
|
