典型文献
基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法
文献摘要：
针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型.首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果.在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1％与10.8％,同时提高了模型的收敛速度以及诊断稳定性.
文献关键词：
轴承;故障诊断;不均衡样本
中图分类号：
作者姓名：
张笑璐;邹益胜;张波;刘永志;蒋雨良
作者机构：
西南交通大学机械工程学院,成都610031;重庆公共运输职业学院,重庆402247
文献出处：
引用格式：
[1]张笑璐;邹益胜;张波;刘永志;蒋雨良-.基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法)[J].现代制造工程,2022(01):104-112
A类：
B类：
Bagging,MCNN,不均衡样本,轴承故障诊断,故障诊断方法,集成学习,多通道卷积神经网络,故障诊断模型,原始数据,标准化处理,训练集,测试集,放回,回采,子集,乱序,新集,放入,卷积神经网络模型,各卷,卷积网络,络子,子模型,判别矩阵,诊断结果,轴承数据,网络故障诊断,衡情,收敛速度
AB值：
0.305459
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
