《CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究》PDF+DOC
作者：张立智,井陆阳,徐卫晓,谭继文
单位：西北工业大学
出版：《机械科学与技术》2019年第10期
页数：7页 （PDF与DOC格式可能不同）
PDF编号：PDFJXKX2019100180
DOC编号：DOCJXKX2019100189
下载格式：PDF + Word/doc 文字可复制、可编辑
《基于信息融合与神经网络的复合振动故障诊断》PDF+DOC2004年第04期 陈丁跃
《基于D-S推理的汽轮发电机组融合诊断》PDF+DOC2003年第02期 董彩凤,马平,隗喜斌
《设备故障信息融合问题的思考》PDF+DOC1999年第02期 张雨,温熙森
《在线估计表面粗糙度的神经网络多传感器融合方法》PDF+DOC1995年第02期 梁建成,李圣怡,温熙森,杨林,吴学忠
《基于多分辨率小波网络-BP神经网络-D-S证据理论信息融合模型的直流系统故障诊断方法》PDF+DOC2004年第24期 李冬辉,周巍巍
《基于多传感器信息融合和神经网络的汽轮机故障诊断研究》PDF+DOC2010年第03期 凌六一,黄友锐,魏圆圆
《基于D-S证据理论的液压泵故障诊断》PDF+DOC2010年第05期 柴令华,陈小虎,毋文峰
《基于信息融合理论的柴油机故障诊断技术》PDF+DOC2010年第06期 王江萍,王潇,鲍泽富
《基于ANFIS和证据理论的信息融合研究》PDF+DOC2009年第01期 朱安福,景占荣,陈炜军,张安学,曹振林
《多传感器信息融合技术在变压器故障诊断中的应用》PDF+DOC2014年第09期 叶汉民,肖尊定
针对齿轮箱复合故障诊断问题，将深度卷积模型(CNN)和D-S证据理论相结合，对多传感器信息进行融合。首先，利用深度卷积模型对多个传感器信息进行自适应特征提取，经softmax进行初步分类。其次，将深度卷积模型的输出结果作为D-S证据理论的输入，计算出基本概率分配，根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性，使用BP神经网络与D-S证据理论模型作为对比，并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明，利用该方法对齿轮箱复合故障进行实验诊断，准确率达到84.58%。相比单一传感器，正确率提高了7.91%；相比BP神经网络与D-S证据理论模型，正确率提高了6.18%，验证了此方法的有效性。
提示：百度云已更名为百度网盘（百度盘），天翼云盘、微盘下载地址……暂未提供。