排序方式： 共有1条查询结果，搜索用时 31 毫秒
1
1.
目的 为解决轴承故障特征时频图像难以识别的问题，在进行时频图像训练和学习故障特征的基础上，提出新的故障诊断方法。方法 本文提出一种MDCNet网络，该网络由多尺寸卷积核模块（Multi-Size Convolution Kernel Module）、双通道池化层（Dual-Channel Pooling Layer）和跨阶段部分网络（Cross Stage Partial Network）组成。首先，将采集的振动信号经过同步压缩变换，得到信号的瞬时频率图像，然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测，准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验，结果表明MDCNet方法分类精度可达99.9%，高于传统方法的分类精度（95.70%、98.51%、97.64%）。结论 结果表明，本文所提出方法的预测准确率高于其他方法的，验证了该方法在包装机械故障诊断中是可行的。 相似文献
1