基于卷积图神经网络的滚动轴承故障诊断算法
针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数据压缩预处理,然后将预处理后的一维特征数据转换为图结构数据,最后使用三层图神经网络来进行滚动轴承的故障诊断.在凯斯西储大学滚动轴承数据集(CWRU)上开展实验验证,结果表明,CGNN在各个工况下都能具有90％以上的故障诊断准确率.
图神经网络、卷积神经网络、深度学习、滚动轴承、故障诊断
22
TP183(自动化基础理论)
2022-04-26（万方平台首次上网日期，不代表论文的发表时间）
共5页
38-41,51
