典型文献
基于深度特征提取神经网络的滚动轴承故障诊断
文献摘要：
滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用.结合应用较广的卷积神经网络和长短时记忆网络模型的优点—自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程.通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因.
文献关键词：
深度特征提取;神经网络;滚动轴承;故障诊断
中图分类号：
作者姓名：
丁春嵘;周雨轩;胡浩;唐刚
作者机构：
神华铁路装备有限责任公司,沧州 061113;北京化工大学机电工程学院,北京 100029
文献出处：
引用格式：
[1]丁春嵘;周雨轩;胡浩;唐刚-.基于深度特征提取神经网络的滚动轴承故障诊断)[J].北京化工大学学报（自然科学版）,2022(01):106-112
A类：
B类：
深度特征提取,滚动轴承故障诊断,旋转机械,运行安全性,信号处理,时频分析,故障诊断方法,专家知识,结合应用,长短时记忆网络模型,自动提取,深层特征,时序特征,模型输入,故障特征,特征信息提取,有效提取,滚动轴承振动信号,故障模式,信号预处理,工进,信号特征提取,凯斯,健康状态,状态数据,数据验证,可能原因
AB值：
0.27074
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。
