基于1D-RSLBCNN的齿轮箱故障诊断

针对传统故障模型参数多，训练和检测时间长的问题，提出了基于残差结构和局部二进制卷积(1D-RSLBCNN)的齿轮箱故障诊断方法。其利用局部二进制卷积层来替代传统卷积层，在减少模型参数的同时，加快了训练速度和收敛速度；同时在网络模型中引入残差结构，避免了由于网络深度的增加引起的正确率饱和甚至下降的问题。实验结果表明，局部二进制卷积层的参数量为传统卷积层的1/3,诊断准确率更是高达99.7%。与其他模型相比，具有更稳定、可靠的预测精度。