基於融合CNN(2D-CNN與1D-CNN融合)與PSO-SVM的滾動軸承故障診斷
本文將2D-CNN與1D-CNN融合，同時對軸承數據集進行訓練，然後在匯聚層將兩者池化層的輸出連接成一個向量，送進全連接層。模型訓練結束之後，取FC層的輸出作爲提取到的故障特徵信號。數據來源，西儲大學滾動軸承故障診斷數據集。 融合CNN的結構圖如圖所示： 1，數據準備 對於10類故障（1正常，9故障），分別採集100組樣本，共1000組，採樣點爲1
相關文章
- 1. 基於小波時頻圖與CNN的軸承故障診斷
- 2. 基於二維CNN的西褚大學軸承故障診斷
- 3. 基於一維殘差卷積自動編碼器的滾動故障軸承診斷
- 4. 基於特徵遷移學習的變工況下 滾動軸承故障診斷方法 SSTAC
- 5. 基於振動信號與小波時頻圖的雙流CNN軸承故障診斷模型
- 6. 軸承故障診斷之時域指標
- 7. 軸承故障診斷之遷移學習
- 8. 基於Linux的WebSphere性能調優與故障診斷
- 9. Oracle 自動故障診斷
- 10. 網橋故障診斷與排除
- 更多相關文章...
- • Rust 集合與字符串 - RUST 教程
- • MyBatis與Spring的整合實例 - MyBatis教程
- • ☆基於Java Instrument的Agent實現
- • Composer 安裝與使用
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
