摘要：针对滚动轴承故障诊断在小训练样本下和强噪声下无法取得高精度识别的问题,提出一种基于Welch功率谱结合卷积神经网络进行诊断的方法。该方法以原始时域振动信号作为输入,用Welch功率谱转换数据形态同时对高强度噪声进行抑制,再用得到的功率谱训练卷积神经网络,最后将训练好的模型用于轴承的故障诊断。与WDCNN[1]等方法进行对比,实验发现在混合负载下,该方法平均识别率正确达到99%,其它方法达到这个精度至少需要20倍以上的训练样本量,明显优于WDCNN等方法。抗噪实验结果表明噪声对信号的干扰越强烈,该方法的抗噪表现越好,其抗噪性能要显著优于WDCNN等方法。

摘要：作为类脑计算领域的一个重要研究成果,深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)已经广泛应用到计算机视觉、自然语言处理、信息检索、语音识别、语义理解等多个领域,卷积神经网络具有局部连接、权值共享和池化操作等特性,可以有效降低网络复杂度,减少训练参数的数目。文章重点从平台搭建、实验设计与讨论、数据分析三方面,介绍了运用功耗分析方法识别卷积神经网络(Convolutional Neural Networks,CNN)的相关实验。通过多组对照实验的设计和数据分析验证了该实验的可行性,并根据实验存在的局限性,提出了未来基于深度卷积神经网络的功耗分析实验待解决的问题与挑战。