典型文献
基于CNN-LSTM的齿轮箱复合故障状态监测研究
文献摘要：
基于卷积神经网络(CNN)内嵌长短期记忆神经网络(LSTM)的优势,将其应用在齿轮箱状态监测中,提出了CNN内嵌LSTM网络的齿轮箱复合故障状态监测方法.该方法结合了2种神经网络的优点,既有CNN强大的自主提取抽象信息的功能,联系到数据的深层特征并加以保留,又结合了LSTM神经网络的长期记忆功能.经过CNN将数据输入到LSTM网络中确定阈值,从而达成识别齿轮箱工作状态的目的.通过齿轮箱故障试验台复合故障的试验数据验证了该模型的有效性.通过对比单独采用CNN和LSTM构建监测模型的准确率,证明了基于CNN-LSTM的齿轮箱复合故障状态监测方法的有效性.
文献关键词：
齿轮箱复合故障;状态监测;卷积神经网络;长短期记忆神经网络;深度学习
中图分类号：
作者姓名：
王靖岳;高天;王浩天;王军年
作者机构：
沈阳理工大学汽车与交通学院 辽宁沈阳 110159;吉林大学汽车仿真与控制国家重点实验室 吉林长春 130025;沈阳航空航天大学自动化学院 辽宁沈阳 110136
文献出处：
引用格式：
[1]王靖岳;高天;王浩天;王军年-.基于CNN-LSTM的齿轮箱复合故障状态监测研究)[J].矿山机械,2022(05):55-59
A类：
B类：
齿轮箱复合故障,故障状态,内嵌,长短期记忆神经网络,齿轮箱状态监测,监测方法,抽象信息,深层特征,长期记忆,记忆功能,工作状态,试验台,数据验证,监测模型
AB值：
0.18395
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。
