来源：期刊VIP网 时间：
作者：高淑芝;韩晓亮;张义民;
单位：沈阳化工大学装备可靠性研究所;沈阳化工大学信息工程学院;
摘要：针对卷积神经网络结构因深度的增加导致的网络退化以及准确率饱和问题，本文改进深度残差网络应用于故障诊断。首先，改进的残差网络包含三个残差单元模块，改进后的残差结构去掉了不必要的非线性层，在模块首尾都加入批量归一化层提升了网络性能；其次，采集的轴承故障样本分为训练集与测试集，将训练集数据样本输入到网络模型中进行训练优化，输入测试集数据到诊断模型中得出诊断结果；最后，利用t-SNE可视化方法对模型中每一个残差模块学习特征的过程进行分析。经轴承寿命试验台数据结果表明，本方法对滚动轴承发生故障的诊断识别率均达到100%。可见该模型具有非常好的诊断识别效果。
关键词：滚动轴承;;故障诊断;;深度残差网络;;t-SNE可视化
基金资助：NSFC-国家自然科学重点基金-辽宁联合基金（U1708254）;; 辽宁省特聘教授（No.[2018]3533）项目
