本文主要研究内容
作者胡晓依,荆云建,宋志坤,侯银庆（2019）在《基于CNN-SVM的深度卷积神经网络轴承故障识别研究》一文中研究指出：针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。
Abstract
zhen dui chuan tong zhi neng zhen duan fang fa guo fen yi lai yu xin hao chu li he zhuan jia jing yan di qu gu zhang te zheng yi ji mo xing fan hua neng li cha de wen ti ,ji yu shen du xue xi li lun ,di chu jiang juan ji shen jing wang lao suan fa jie ge SVMfen lei qi da jian kuo yu gun dong zhou cheng gu zhang zhen duan de gai jin xing shen du juan ji shen jing wang lao mo xing 。cong yuan shi shi ce zhou cheng zhen dong xin hao chu fa ,mo xing zhu ceng xue xi shi xian te zheng di qu yu gu zhang shi bie ,yin ru pi liang gui yi hua 、Dropoutchu li bing gai jin mo xing fen lei qi lai di sheng zhou cheng gu zhang shi bie zhun que lv 、mo xing shou lian su du he fan hua neng li 。shi yan jie guo biao ming ,you hua hou de shen du xue xi mo xing ke kuai su zhun que de di qu zhou cheng gu zhang te zheng ,zhen dui bu tong lei xing 、bu tong sun shang cheng du de zhou cheng ke shi xian 99%de shi bie zhun que lv ,bing ju mo xing you jiao jiang de fan hua neng li he jiang hua xue xi neng li 。
论文参考文献
论文详细介绍
论文作者分别是来自振动与冲击的胡晓依,荆云建,宋志坤,侯银庆，发表于刊物振动与冲击2019年18期论文，是一篇关于卷积神经网络论文,支持向量机论文,振动信号论文,故障识别论文,振动与冲击2019年18期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自振动与冲击2019年18期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：卷积神经网络论文; 支持向量机论文; 振动信号论文; 故障识别论文; 振动与冲击2019年18期论文;