Indexed by：
Abstract：
齿轮箱故障诊断对于降低运维成本和提高设备运转效率至关重要。首先，提出了一种基于小样本数据的一维卷积神经网络(1DCNN)端到端故障诊断方法；针对小样本故障诊断，采用LeNet-5结构增加卷积层数量，增大特征提取能力；其次，通过动力传动故障诊断综合实验台(DDS)数据验证；最后，引入t-SNE技术，对部分层输出进行了可视化，进一步验证了模型的有效性。此外，通过不同参数组合验证了模型所设参数的合理性，实验结果表明，所提方法与传统LeNet-5和基于EEMD和VMD特征提取方法的SVM分类器对比，在分类准确率上分别有7.5%、11.25%和5%的提升，证明了所提方法的有效性。
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
组合机床与自动化加工技术
ISSN： 1001-2265
CN： 21-1132/TG
Year： 2022
Issue： 07
Volume： 5
Page： 81-84,89
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 2
Affiliated Colleges：
