一种改进1DCNN的滚动轴承变工况故障诊断方法
作者:陈鹏; 赵小强
更新时间:
针对强噪声背景下滚动轴承样本分布不同导致传统模型诊断精度低的问题,提出了一种改进的一维卷积神经网络滚动轴承变量工况故障诊断方法。在一维卷积神经网络模型为基础的基础上,采用全局平均池化代替全连接层,减少模型训练参数。同时,将最大均值差异域自适应迁移学习引入到全局均值池化层中,实现了滚动轴承的故障诊断。与RESNET和1dcnn+Da的对比分析表明,用间隙层代替1dcnn模型中的FC层,用Da进行迁移,可以提高整个模型的泛化和诊断精度。