优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用（振动工程学报2023）

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题，提出了一种基于深度可分离残差网络DSResNet的滚动轴承故障诊断方法。

利用深度可分离卷积DSC计算复杂度低和逐点卷积PWC能增强网络非线性表达的优点，分别代替传统深度残差网络中的两个标准卷积层，构建出优化后的 DSResNet模型。

将各类故障状态下的时域信号作为 DSResNet 模型的输入进行识别分类。

● 参考文献：2023年振动工程学报EI《优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用》

●数据预处理：原方法使用的频域，已修改为时域信号进行诊断

●网络模型：DSResNet、ResNet、CNN

●数据集：凯斯西储大学CWRU、河内大学滚动轴承数据集HUST（2023年开源）、德国帕德伯恩数据集PN

●网络框架：pytorch

●结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图

●准确率：测试集95%以上

●使用对象：初学者

●代码保证：故障诊断代码注释详细、即拿即可跑通。

ID:84200

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/775441652738.html