典型文献
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
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
陈晓雷;孙永峰;李策;林冬梅
作者机构：
兰州理工大学电气工程与信息工程学院,兰州730050;兰州理工大学甘肃省工业过程先进控制重点实验室,兰州730050;兰州理工大学电气与控制工程国家级实验教学示范中心,兰州730050
文献出处：
引用格式：
[1]陈晓雷;孙永峰;李策;林冬梅-.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(02):296-309
A类：
稳定抗噪声,SAFDNN
B类：
双向长短期记忆,滚动轴承故障诊断,噪声环境,故障诊断模型,模型准确率,数据信号,信号特征提取,BiLSTM,分提,提取数据,序列特征,注意力机制,特征融合,诊断性,全连接层,Softmax,层进,特征分类,比大小,噪声条件,故障识别,识别准确率,诊断效果
AB值：
0.244032
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。
