一种改进的门控卷积神经网络在滚动轴承不平衡数据集故障诊断上的应用_第1页
一种改进的门控卷积神经网络在滚动轴承不平衡数据集故障诊断上的应用_第2页
一种改进的门控卷积神经网络在滚动轴承不平衡数据集故障诊断上的应用_第3页
一种改进的门控卷积神经网络在滚动轴承不平衡数据集故障诊断上的应用_第4页
全文预览已结束

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

研究背景该论文的研究背景是滚动轴承故障诊断，特别关注了不平衡数据问题。滚动轴承是许多旋转机械中重要的部件之一，其故障可能导致设备损坏和生产停机。然而，很多深度学习技术的良好性能主要是基于相对平衡的数据集，没有充分考虑不平衡数据对模型的影响。在实际应用中，机械设备大多数情况下处于正常状态，故障数据较少，因此，滚动轴承故障数据通常是不平衡的，即正常样本数量远远多于故障样本数量。这种数据不平衡会对故障诊断的性能产生负面影响，即：当训练数据不平衡时，多数类样本将得到充分训练，使得模型对其更敏感；相应地，少数类并容易被模型误判为多数类的噪声。此外，少数类容易受到过拟合的影响，导致模型的泛化能力下降。因此，本文侧重于改进模型处理不平衡数据的能力。研究方法

本文提出了一种基于改进的门控卷积神经网络（ImprovedGatedConvolutionalNeuralNetwork,IGCNN）的滚动轴承故障诊断方法，用于处理不平衡数据。首先，通过添加BN(batchnormalisation)层改进了门控卷积层，增强了模型的特征提取和泛化能力。其次，采用LDAM(label-distribution-awaremargin)损失函数来减少对少数类的识别困难和不平衡数据对模型性能的影响。通过西储大学轴承数据和实验室采集的圆柱滚子轴承数据对所提出的方法进行了验证。通过比较实验说明了所提出方法的优越性。图1

改进的门控卷积神经网络框架文章创新点该论文的创新点主要体现在以下几个方面：1)在门控卷积层中加入批归一化（BN），调整数据分布并增强模型的泛化能力。2)在全连接层中应用了Dropout，消除了少数类样本导致的过拟合问题。3)使用LDAM损失函数来减少数据不平衡对模型的影响。图2

采集圆柱滚子轴承数据的实验台图3

所提方法与其他模型在测试集上的测试结果图4

各模型在训练集上的精确度曲线结论通过实验证明，所提出的改进的门控卷积神经网络在滚动轴承故障诊断方面取得了显著的性能提升。与传统的方法和其他基于深度学习的方法相比，该方法在收敛速度、精确度等指标上都取得了更

人人文库> 全部分类> 教育资料 > 作文作品

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论