以軸承為例,對(duì)卷積神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域中的可解釋性進(jìn)行了探討,采用Grad-CAM方法,基于可視化的角度建立了神經(jīng)網(wǎng)絡(luò)的重點(diǎn)激活區(qū)域與目標(biāo)類(lèi)別之間的聯(lián)系,并且利用凱斯西儲(chǔ)大學(xué)的軸承數(shù)據(jù)庫(kù),分別從時(shí)域和頻域的角度對(duì)LeNet,AlexNet和ResNet-18這3種應(yīng)用較廣的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了驗(yàn)證,結(jié)果表明,卷積神經(jīng)網(wǎng)絡(luò)在軸承故障診斷領(lǐng)域中對(duì)于樣本的分類(lèi)識(shí)別與人為的認(rèn)知規(guī)律存在基本的相似性,可以為卷積神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的工程應(yīng)用提供參考。 

【文章來(lái)源】：軸承. 2020,(07)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
2 Grad-CAM方法
3 可解釋性探討
    3.1 樣本創(chuàng)建
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置
    3.2 結(jié)果及分析
        3.2.1 時(shí)域數(shù)據(jù)可視化分析
        3.2.2 頻域數(shù)據(jù)可視化分析
4 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J]. 雷亞國(guó),賈峰,周昕,林京.  機(jī)械工程學(xué)報(bào). 2015(21)



本文編號(hào)：3168654