科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对深度神经网络故障诊断方法存在参数量大、难以应用在移动设备上的问题，提出一种改进ShuffleNet V2网络故障诊断模型。改进ShuffleNet V2基本单元可降低模型的参数量，并将模型中的标准卷积替换为空洞卷积，在不增加参数的条件下提高感受野，增强特征提取能力。利用CMOR小波将轴承振动信号变换为时频谱输入到改进ShuffleNet V2网络模型进行故障特征提取与识别，试验结果表明，改进ShuffleNet V2网络模型对西储大学轴承数据集的分类准确率超过99.5%,对实际工况下铁路货车轮对轴承数据集的分类准确率也高达97%以上，识别率和泛化性能都优于其他轻量级神经网络。
- 单位
