Adam优化CNN的滚动轴承多故障耦合诊断方法研究
版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。
信息
资料大小
1.30 MB
文件类型
PDF
语言
简体中文
资料等级
☆☆☆☆☆
下载次数
12
简介
针对传统的故障诊断技术在实际工程中滚动轴承多故障耦合情况下的故障诊断准确率偏低的问题,提出了一种基于Adam算法优化的卷积神经网络(CNN)诊断模型。该方法的原理是从多故障耦合情况下轴承振动数据中自主学习有用的轴承故障检测特征信息然后进行准确的故障诊断。为了证明该方法的有效性和保证实验的公平性,在滚动轴承单种故障和多种故障同时存在的情况下,将提出的方法与随机梯度下降法优化的卷积神经网络,支持向量机进行比较。比对使用相同的数据来客观的评估相应的性能。该方法对滚动轴承多故障耦合情况下的15类故障进行实验诊断,准确率达到了100%,使多故障耦合情况的滚动轴承故障诊断准确率大大提高。相关论文
- 2021-05-24Mg2Si/A1复合材料的制备方法、力学性能和摩擦磨损行为研究现状
- 2021-08-30HMn58-2配流盘摩擦副表面激光加工微阵列对其摩擦磨损性能的影响
- 2021-04-20多晶及单晶铜的磨损及腐蚀性能研究
- 2025-01-26扩散强制蚁群算法求解越野机器人路径规划
- 2025-01-24沥青混合料探地雷达图像正演模拟与扩散研究
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。