科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于卷积神经网络（convolutional neural network, CNN）的柴油机故障诊断方法在训练样本匮乏时易过拟合、诊断准确率低的问题，提出一种基于改进残差卷积网络的“端到端”柴油机故障诊断方法。该方法采用连续可微指数线性单元（continuously differentiable exponential linear units, CELU）作为CNN激活函数并采取小批次训练方法，提高模型提取特征能力的同时加速其收敛；在模型中加入残差结构将深层网络提取到的抽象特征与表层特征相融合，避免深层网络导致的特征信息丢失与梯度消失问题。经柴油机故障模拟试验验证，该方法在仅使用20个样本进行训练时，能实现95.5%的故障诊断准确率；与CNN相比，该方法在不同类型及规模的训练集下，故障诊断准确率均有显著提升。
- 单位
