用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 5. 监测与诊断 > 故障诊断

关键词搜索：

标 题： A Bearing Fault Diagnosis Method Based on Improved Deep Residual Contraction Network
基于改进深度残差收缩网络的轴承故障诊断方法
作 者： Shuxin Guo
Rongrong Wang
Xiaobing Chen
Heng Lu
Chuangchuang Zhang
Chengfa Lu
关键词： Deep residual shrinkage  [深残余收缩]
Inception networks  [ 植入式网络]
Fault diagnosis  [ 故障诊断]
出版年： 2023
文集名： 2023 International Conference on the Cognitive Computing and Complex Data (ICCD 2023)
2023年认知计算与复杂数据国际会议（ICCD 2023）
会议名： 2023 International Conference on the Cognitive Computing and Complex Data (ICCD 2023)
2023年认知计算与复杂数据国际会议（ICCD 2023）
届 次：
摘 要： In this paper, a method for bearing fault diagnosis based on an improved deep residual contraction network is proposed. The method utilizes the residual contraction module in the deep residual contraction network, which is improved in combination with the Inception network, in order to enhance the diagnostic accuracy and efficiency of bearing faults. The method divides the bearing fault diagnosis problem into several sub-problems and designs the corresponding residual contraction module and Inception network structure for each sub-problem. Through experimental validation using an actual bearing fault dataset, the results demonstrate that the method achieves high accuracy and stability in bearing fault diagnosis, providing a new idea and method for research in the field of bearing fault diagnosis.

本文提出了一种基于改进的深度残差收缩网络的轴承故障诊断方法。该方法利用了在Inception网络基础上改进的深度残差收缩网络中的残差收缩模块，以提升轴承故障的诊断准确性和效率。该方法将轴承故障诊断问题分解为多个子问题，并针对每个子问题设计相应的残差收缩模块和Inception网络结构。通过使用真实轴承故障数据集进行实验验证，结果表明该方法在轴承故障诊断方面具有较高的准确率和稳定性，为轴承故障诊断领域的研究提供了新的思路和方法。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号