典型文献
基于CNN-LSTM和注意力机制的轴承故障诊断方法
文献摘要：
针对传统故障诊断方法需手动提取特征、特征信息难以充分挖掘导致普适性差和故障诊断率低等问题,提出基于卷积神经网络(convolutional neural network,CNN)、长短时记忆网络(long short-term memory,LSTM)和注意力机制的端对端轴承故障诊断方法.首先,通过自动提取原始振动信号的空间特征,基于注意力机制对特征信息自适应分配权重,提高模型对重要特征的关注程度,其次经过LSTM进一步提取信号的时序特征,最后通过全连接层完成对轴承故障状态的识别和分类.利用凯斯西储大学公开数据集进行实验,结果表明,模型的平均故障诊断率为99.83％,不同负载下故障诊断率均超过99％.相比于其他模型,该模型的诊断精度高,具有较好的应用价值.
文献关键词：
轴承故障诊断;卷积神经网络;注意力机制;长短时记忆网络
中图分类号：
作者姓名：
陈轲;黄民;李一鸣
作者机构：
北京信息科技大学机电工程学院,北京100192
文献出处：
引用格式：
[1]陈轲;黄民;李一鸣-.基于CNN-LSTM和注意力机制的轴承故障诊断方法)[J].北京信息科技大学学报（自然科学版）,2022(06):26-31
A类：
B类：
注意力机制,轴承故障诊断,故障诊断方法,提取特征,特征信息,诊断率,convolutional,neural,network,长短时记忆网络,long,short,term,memory,端对端,自动提取,振动信号,空间特征,自适应分配,分配权重,取信,时序特征,全连接层,故障状态,凯斯,公开数据集,不同负载
AB值：
0.29568
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。
