基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断 | |
陈晓雷1,2,3; 孙永峰1; 李策1,2,3; 林冬梅1,2,3 | |
刊名 | 吉林大学学报(工学版) |
2022-02-09 | |
卷号 | 52期号:02页码:296-309 |
关键词 | 故障诊断 稳定抗噪声 滚动轴承 神经网络 特征提取 注意力机制 |
ISSN号 | 1671-5497 |
DOI | 10.13229/j.cnki.jdxbgxb20211031 |
英文摘要 | 针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声故障诊断神经网络(SAFDNN)模型。该模型采用原始振动数据信号作为输入,首先使用卷积神经网络(CNN)进行数据信号特征提取,然后利用双向长短期记忆(BiLSTM)充分提取数据信号的序列特征,接着添加注意力机制进行特征融合以自动关注每种数据信号的相关信息,提高模型的诊断性能,最后通过全连接层和Softmax层进行特征分类。实验结果表明,SAFDNN在添加不同信噪比大小的额外噪声条件下能够保持较高的故障识别准确率和较好的诊断效果稳定性。 |
URL标识 | 查看原文 |
语种 | 中文 |
出版者 | Editorial Board of Jilin University |
内容类型 | 期刊论文 |
源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/155809] |
专题 | 电气工程与信息工程学院 |
作者单位 | 1.兰州理工大学电气工程与信息工程学院; 2.兰州理工大学甘肃省工业过程先进控制重点实验室; 3.兰州理工大学电气与控制工程国家级实验教学示范中心 |
推荐引用方式 GB/T 7714 | 陈晓雷,孙永峰,李策,等. 基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断[J]. 吉林大学学报(工学版),2022,52(02):296-309. |
APA | 陈晓雷,孙永峰,李策,&林冬梅.(2022).基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断.吉林大学学报(工学版),52(02),296-309. |
MLA | 陈晓雷,et al."基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断".吉林大学学报(工学版) 52.02(2022):296-309. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论