典型文献
基于改进卷积神经网络的柴油机故障诊断方法研究
文献摘要：
现有基于卷积神经网络(convolutional neural network,CNN)的柴油机故障诊断方法易过拟合,网络收敛速度较慢、处理小样本数据时诊断精度低,针对以上问题,提出了一种基于改进CNN的"端到端"柴油机故障诊断方法.该方法在CNNN架构上,采用指数线性单元(exponential linear units,ELU)作为激活函数及小批量训练方法加速模型收敛,用全局平均池化(global average pooling,GAP)代替全连接层以降低过拟合风险.基于台架试验的诊断结果表明:所提方法进行柴油机典型故障诊断的精度达到99.18％;与未改进模型及现有基于CNN的柴油机故障诊断算法相比,该方法在处理小样本数据集时仍保持最高识别精度.
文献关键词：
柴油机;故障诊断;深度学习;卷积神经网络(CNN)
中图分类号：
作者姓名：
张俊红;孙诗跃;朱小龙;周启迪;戴胡伟;林杰威
作者机构：
天津大学 内燃机燃烧学国家重点实验室,天津 300072;天津大学 仁爱学院,天津 301636
文献出处：
引用格式：
[1]张俊红;孙诗跃;朱小龙;周启迪;戴胡伟;林杰威-.基于改进卷积神经网络的柴油机故障诊断方法研究)[J].振动与冲击,2022(06):139-146
A类：
CNNN
B类：
改进卷积神经网络,柴油机故障诊断,故障诊断方法,convolutional,neural,network,过拟合,网络收敛速度,较慢,端到端,指数线,exponential,linear,units,ELU,激活函数,小批量,训练方法,加速模型,全局平均池化,global,average,pooling,GAP,全连接层,台架试验,诊断结果,典型故障,未改,改进模型,故障诊断算法,小样本数据集,识别精度
AB值：
0.343342
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。
