滾動軸承在旋轉(zhuǎn)機械中起到重要作用,其工作環(huán)境多變并存在多種失效模式。傳統(tǒng)的軸承故障診斷方法需要依賴技術(shù)人員的經(jīng)驗提取時頻域故障特征,并且診斷準確率不高。提出了一種基于余弦下降學習率的卷積神經(jīng)網(wǎng)絡(luò)模型,該模型以數(shù)據(jù)驅(qū)動方式自主提取軸承的故障特征。在訓練的過程中采用余弦下降學習率,使損失函數(shù)可以快速收斂完成分類模型的訓練。應用凱斯西儲大學(CWRU)滾動軸承數(shù)據(jù)集驗證該方法的有效性。結(jié)果顯示,本模型能夠有效識別軸承不同損傷程度以及不同故障,整體識別率達到99.91%。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1卷積神經(jīng)網(wǎng)絡(luò)算法原理
    1.1 一維卷積神經(jīng)網(wǎng)絡(luò)
    1.2變學習率優(yōu)化方法
2實驗結(jié)果
    2.1 實驗數(shù)據(jù)描述
    2.2 實驗參數(shù)設(shè)置
    2.3 模型的訓練效果對比
3 結(jié)論



本文編號：3784412