典型文献
基于深度学习与混沌特征融合的滚动轴承故障诊断
文献摘要：
本文针对现有滚动轴承智能故障诊断方法在面向大噪声背景下鲁棒性能差的问题.基于混沌理论,提出采用相空间重构方法还原并丰富轴承振动的动力学特性,通过卷积神经网络(CNN)提取混沌序列中的高级抽象特征,又考虑故障信号具有长程相关性,将低维抽象故障特征引入长短期记忆网络(LSTM),以灰狼算法优化的支持向量机(OSVM)作为分类器,提出CCNN(Chaotic CNN)–LSTM–OSVM智能故障诊断方法.试验结果表明,在处理信噪比为?6 dB信号时,该方法仍具有89.96％的准确率,相比以Softmax作为分类器的CNN–LSTM和CCNN–LSTM方法分别高出15.36％和5.21％,且在收敛速度方面亦有较大优势.
文献关键词：
卷积神经网络;长短期记忆网络;支持向量机;混沌;特征融合;轴承;故障诊断
中图分类号：
作者姓名：
金江涛;许子非;李春;缪维跑;肖俊青;孙康
作者机构：
上海理工大学 能源与动力工程学院,上海200093;上海市动力工程多项流动与传热重点实验室,上海200093
文献出处：
引用格式：
[1]金江涛;许子非;李春;缪维跑;肖俊青;孙康-.基于深度学习与混沌特征融合的滚动轴承故障诊断)[J].控制理论与应用,2022(01):109-116
A类：
OSVM,CCNN
B类：
混沌特征,特征融合,滚动轴承故障诊断,轴承智能故障诊断,故障诊断方法,混沌理论,相空间重构,重构方法,轴承振动,动力学特性,混沌序列,故障信号,长程相关性,低维,故障特征,征引,长短期记忆网络,灰狼算法,算法优化,分类器,Chaotic,dB,Softmax,收敛速度
AB值：
0.274737
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。
