典型文献
基于CNN-BiLSTM的滚动轴承变工况故障诊断方法
文献摘要：
针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络-双向长短时记忆网络(convolutional neural network-bidirectional long short-term memory,简称CNN-BiLSTM)模型的滚动轴承故障诊断方法.首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN-BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断.通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力.
文献关键词：
变工况故障诊断;卷积神经网络;双向长短时记忆网络;注意力机制;DropConnect和Dropout
中图分类号：
作者姓名：
董绍江;李洋;梁天;赵兴新;胡小林;裴雪武;朱朋
作者机构：
重庆交通大学机电与车辆工程学院 重庆,400074;重庆长江轴承股份有限公司 重庆,401336;重庆工业大数据创新中心有限公司 重庆,401000
文献出处：
引用格式：
[1]董绍江;李洋;梁天;赵兴新;胡小林;裴雪武;朱朋-.基于CNN-BiLSTM的滚动轴承变工况故障诊断方法)[J].振动、测试与诊断,2022(05):1009-1016
A类：
DropConnect
B类：
BiLSTM,承变,变工况故障诊断,故障诊断方法,注意力机制,Dropout,双向长短时记忆网络,convolutional,neural,network,bidirectional,long,short,term,memory,滚动轴承故障诊断,不同工况,故障状态,振动信号,标签化,训练数据集,测试数据,故障特征,混合使用,训练过程,过拟合,集输,Softmax,分类器,数据集验证,泛化性
AB值：
0.286607
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
