卷积神经网络在轴承故障诊断中的可解释性探讨

发布时间：2021-04-30 02:24

　　以轴承为例,对卷积神经网络在故障诊断领域中的可解释性进行了探讨,采用Grad-CAM方法,基于可视化的角度建立了神经网络的重点激活区域与目标类别之间的联系,并且利用凯斯西储大学的轴承数据库,分别从时域和频域的角度对LeNet,AlexNet和ResNet-18这3种应用较广的卷积神经网络结构进行了验证,结果表明,卷积神经网络在轴承故障诊断领域中对于样本的分类识别与人为的认知规律存在基本的相似性,可以为卷积神经网络在故障诊断领域的工程应用提供参考。 

【文章来源】：轴承. 2020,(07)北大核心

【文章页数】：7 页

【文章目录】：
1 卷积神经网络研究现状
2 Grad-CAM方法
3 可解释性探讨
    3.1 样本创建
    3.2 网络结构及参数设置
    3.2 结果及分析
        3.2.1 时域数据可视化分析
        3.2.2 频域数据可视化分析
4 结束语


【参考文献】：
期刊论文
[1]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京.  机械工程学报. 2015(21)



本文编号：3168654