典型文献
基于RA-LSTM的轴承故障诊断方法
文献摘要：
为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题.提出基于反向注意力机制(reverse attention mechanism,RA)的特征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显.并通过长短期记忆网络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类.通过实验选取了最优数据截取长度、剪枝超参数并对信号添加噪声后模型的稳定性进行了验证.实验结果表明所提出的RA-LSTM轴承故障诊断方法具有优异的故障诊断性能,故障诊断精度能达到100％,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性.
文献关键词：
轴承故障诊断;反向注意力机制;LSTM
中图分类号：
作者姓名：
谢锦阳;姜媛媛;王力
作者机构：
安徽理工大学人工智能学院 淮南 232000;安徽理工大学电气与信息工程学院 淮南 232000;安徽理工大学环境友好材料与职业健康研究院(芜湖)芜湖 241003
文献出处：
引用格式：
[1]谢锦阳;姜媛媛;王力-.基于RA-LSTM的轴承故障诊断方法)[J].电子测量与仪器学报,2022(06):213-219
A类：
反向注意力机制
B类：
RA,轴承故障诊断,故障诊断方法,振动信号,重要程度,诊断模型,reverse,attention,mechanism,出处,剪枝,长短期记忆网络,学习特征,时间信息,全连接层,层进,故障类型,截取,超参数,诊断性,故障诊断精度,诊断能力
AB值：
0.266926
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。
