典型文献
基于DRSN-CW和LSTM的轴承故障诊断
文献摘要：
利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM.其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征.同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别.在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障.在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16％,比MCNN-LSTM平均提升了2.62％.
文献关键词：
注意力机制;残差收缩模块;故障诊断;长短时记忆网络;信号处理
中图分类号：
作者姓名：
王磊;孙志成;陈端兵;蒋家玮
作者机构：
中国人民解放军63861部队 吉林 137001;成都数之联科技股份有限公司 成都 610041;电子科技大学大数据研究中心 成都 611731
文献出处：
引用格式：
[1]王磊;孙志成;陈端兵;蒋家玮-.基于DRSN-CW和LSTM的轴承故障诊断)[J].电子科技大学学报,2022(06):921-927
A类：
DRSNCW
B类：
轴承故障诊断,深度残差网络,残差收缩模块,降噪能力,特征提取能力,长短时记忆网络,注意力机制,端到端,振动信号,故障诊断模型,分提,时域特征,自动提取,征用,故障类型识别,凯斯,CWRU,降噪处理,MCNN,断轴,训练数据,平均准确率,信号处理
AB值：
0.29622
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。
