典型文献
基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究
文献摘要：
常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性.该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法.首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(conv-olutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断.同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究.轴承试验台的声阵列数据验证了所提方法的有效性及优越性.
文献关键词：
声成像;故障诊断;卷积神经网络(CNN);波叠加法;梯度加权类激活图(Grad-CAM)
中图分类号：
作者姓名：
王冉;石如玉;胡升涵;鲁文波;胡雄
作者机构：
上海海事大学 物流工程学院,上海 201306;北京海基嘉盛科技有限公司 上海分公司,上海 201100
文献出处：
引用格式：
[1]王冉;石如玉;胡升涵;鲁文波;胡雄-.基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究)[J].振动与冲击,2022(16):224-231
A类：
B类：
声成像,轴承故障诊断,故障诊断方法,可解释性研究,诊断技术,接触式测量,非接触测量,滚动轴承,声学故障,传声器阵列,空间声场,波叠加法,声像,分布信息,立卷,conv,olutional,neural,network,同轴,承运,像样,深度学习模型,诊断结果,类激活图,gradient,weighted,class,activation,map,Grad,CAM,试验台,声阵列,阵列数据,数据验证
AB值：
0.336828
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。
