赞
踩
目录
基于多尺度特征融合与残差收缩网络的齿轮箱故障诊断研究
卷积神经网络
2.1 引言
2.2 卷积神经网络结构
2.3 误差反向传播
2.4 优化算法
残差收缩网络模型架构
3.1 引言
3.2 ResNet 网络
3.3 RSNB 模块的改进
3.4 DDS 实验及数据采集
基于多尺度特征融合的改进模型
4.1 引言
4.2 多尺度特征融合网络结构
4.3 批量归一化处理
4.4 网络流程与结果
4.5 改进模型鲁棒性研究
网络模型泛化性能研究与改进
5.1 引言
5.2 计算参量改进
5.3 实验分析与改进
基于多尺度特征融合的轴承故障诊断方法研究
相关基础理论及数据描述
2.2 滚动轴承结构与理论
2.3 信号处理方法
2.4 卷积神经网络
2.5 轴承故障诊断数据及实验平台介绍
基于离散小波变换和深度可分离卷积神经网络的轴承 故障诊断方法研究
3.2 小波变换理论
3.3 深度可分离卷积神经网络
3.4 数据准备与实验分析
基于多尺度特征融合模型的轴承故障诊断方法研究
4.2 多尺度特征融合模型
4.3 数据准备与实验分析
4.4 不同多尺度特征融合模型实验结果分析
基于多尺度特征融合模型在不同背景下的轴承故障诊 断
5.2 Res2Net-RA 多尺度特征融合模型
5.3 基于 Res2Net-3RA 在 CWRU 轴承数据集的轴承故障诊断实验
5.4 DWT-Res2Net-3RA 多尺度特征融合模型
5.5 基于 DWT-Res2Net-3RA 在不同传感器数据下的故障诊断
5.6 基于改进 DWT-Res2Net-3RA 模型的抗噪性能实验分析