不平衡數(shù)據(jù)下基于改進門控卷積網(wǎng)絡(luò)的軸承故障診斷

摘要： 深度學(xué)習(xí)在滾動軸承故障診斷中具有廣泛的應(yīng)用，然而，現(xiàn)實中的監(jiān)測數(shù)據(jù)往往具有不平衡性，這就會對模型的診斷性能產(chǎn)生很大影響。因此，提出一種基于改進門控卷積神經(jīng)網(wǎng)絡(luò)（Improved Gated Convolutional Neural Network,IGCNN）的故障診斷方法，用于數(shù)據(jù)不平衡條件下的故障診斷。首先，提出改進門控卷積層以增強特征提取能力，通過批量歸一化技術(shù)提高模型的...