發(fā)布時間：2021-04-30 02:24

　　以軸承為例,對卷積神經(jīng)網(wǎng)絡在故障診斷領域中的可解釋性進行了探討,采用Grad-CAM方法,基于可視化的角度建立了神經(jīng)網(wǎng)絡的重點激活區(qū)域與目標類別之間的聯(lián)系,并且利用凱斯西儲大學的軸承數(shù)據(jù)庫,分別從時域和頻域的角度對LeNet,AlexNet和ResNet-18這3種應用較廣的卷積神經(jīng)網(wǎng)絡結構進行了驗證,結果表明,卷積神經(jīng)網(wǎng)絡在軸承故障診斷領域中對于樣本的分類識別與人為的認知規(guī)律存在基本的相似性,可以為卷積神經(jīng)網(wǎng)絡在故障診斷領域的工程應用提供參考。 

【文章來源】：軸承. 2020,(07)北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
1 卷積神經(jīng)網(wǎng)絡研究現(xiàn)狀
2 Grad-CAM方法
3 可解釋性探討
    3.1 樣本創(chuàng)建
    3.2 網(wǎng)絡結構及參數(shù)設置
    3.2 結果及分析
        3.2.1 時域數(shù)據(jù)可視化分析
        3.2.2 頻域數(shù)據(jù)可視化分析
4 結束語


【參考文獻】：
期刊論文
[1]基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學報. 2015(21)



本文編號：3168654