西安邮电大学学报

2021, v.26;No.148(01) 97-103

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

改进的CNN-LSTM轴承故障诊断方法
Improved CNN-LSTM rolling bearing fault diagnosis method

汪友明;程琳;

摘要(Abstract):

为了克服卷积神经网络(Convolutional Neural Network, CNN)轴承故障诊断方法特征提取过程困难以及难以捕获时间序列数据之间的长期依赖关系的问题,提出一种改进的卷积-长短时记忆网络(Convolutional Neural Network-Long and Short Term Memory, CNN-LSTM)滚动轴承故障诊断方法。将二维轴承加速度振动信号输入CNN提取局部特征,再将轴承特征信息加载到LSTM长期记忆单元中,引入遗忘机制提取时序数据的全局特征。利用轴承振动信号的局部深层特征和全局时序特征,学习不同区间长度的序列特征,从而提高故障诊断精度。实验结果表明,该方法可用于轴承故障诊断,且具有较高的分类精度和较强的稳定性。

关键词(KeyWords): 卷积神经网络;长短时记忆网络;故障诊断;特征提取

Abstract:

Keywords:

基金项目(Foundation): 陕西省重点研发计划项目(2019GY-086);; 西安邮电大学研究生创新基金项目(CXJJLI2018020)

作者(Author): 汪友明;程琳;

Email:

DOI: 10.13682/j.issn.2095-6533.2021.01.015

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享