[1]石怀涛,李宁宁,赵金宝,等.基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断[J].沈阳建筑大学学报(自科版),2022,(6):1129-1137.[doi:10.11717/j.issn:2095-1922.2022.06.21]
点击复制

基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断()
分享到：

《沈阳建筑大学学报(自科版)》[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2022年第6期
页码:
1129-1137
栏目:
机械工程
出版日期:
2022-12-28

文章信息/Info

作者:
石怀涛; 李宁宁; 赵金宝; 佟圣皓
关键词:
压缩采集; 卷积神经网络; 支持向量机; 滚动轴承; 故障诊断
DOI:
10.11717/j.issn:2095-1922.2022.06.21
摘要:
目的 针对传统卷积神经网络训练时间长、易过拟合、故障诊断精度低、抗噪能力差等问题，提出一种基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断模型，降低滚动轴承故障数据的冗余度。方法 首先，使用压缩采集技术去除实验样本中的冗余信息；然后,使用三层卷积神经网络（CNN）对采集数据进行故障特征提取，在网络中加入Dropout层、Batch Normalization层、全局平均池化层来防止网络的过拟合，加强网络提取特征的能力；最后,用多分类支持向量机（SVM）对提取特征进行分类。结果 研究表明：模型对故障诊断精度达到了99。4%，比CNN_SVM, PCA_SVM,1D_CNN等模型故障诊断效果突出，对含噪的实验数据具有去噪功能。结论 笔者所提出的模型诊断精度高，且具有很强的学习能力和降噪能力。

相似文献/References:

[1]石怀涛 乔思康 丁健华 王子男 白晓天.基于改进卷积神经网络CNND的电主轴轴承故障诊断方法[J].沈阳建筑大学学报(自科版),2020,(2):361.[doi:10.11717/j.issn:2095-1922.2020.02.21]

更新日期/Last Update: 2022-12-28