Hits:

Indexed by:期刊论文

Date of Publication:2022-06-28

Journal:轴承

Issue:06

Page Number:44-49

Abstract:针对大多基于深度学习的故障诊断模型存在泛化能力不强、训练时间长等问题,提出了一种基于改进卷积神经网络（GCNN）和LightGBM的轴承故障诊断方法,首先,利用卷积层对随机失活后的原始信号进行特征提取;然后,使用全局平均池化层取代全连接层以提高模型的泛化能力;最后,将提取到的特征输入到LightGBM中进行分类。试验结果表明,GCNN-LightGBM模型的训练、诊断平均时长分别只有44.64,0.08 s,在同负载、变负载测试集上的平均分类准确率分别高达99.72%和95.04%,诊断效率及分类准确率均优于其他对比模型,且具有较强的泛化能力。

Note:新增回溯数据