典型文献
基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究
文献摘要：
旋转机械因其特殊的功能要求,通常工作在恶劣的环境中,振动信号易受外界干扰.基于传统信号处理方法的故障诊断技术越来越不能满足故障诊断精度的需要,因此,利用大数据和人工智能技术进行旋转机械故障诊断成为目前的主要研究方向之一.针对以上问题,提出一种基于双向长短时记忆网络(Bi-LSTM)和自注意力机制的旋转机械故障诊断方法.首先,利用转子实验台模拟旋转机械的各种运行状态,采集旋转机械在各种运行状态下的振动信号;然后,将振动信号输入Bi-LSTM网络,自注意力机制将Bi-LSTM各时间步的输出进行加权求和,获得振动信号的深层特征表示;最后,通过全连接层和Softmax层输出旋转机械各种运行状态的预测概率.实验结果表明:本文提出的方法能够有效地实现旋转机械的故障诊断,与其他方法相比,模型的训练稳定性、收敛速度和故障识别准确率均得到提高.
文献关键词：
旋转机械;人工智能;故障诊断;双向长短时记忆网络(Bi-LSTM);自注意力机制
中图分类号：
作者姓名：
高玉才;付忠广;王诗云;谢玉存
作者机构：
华北电力大学电站能量传递转化与系统教育部重点实验室,北京102206
文献出处：
引用格式：
[1]高玉才;付忠广;王诗云;谢玉存-.基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究)[J].中国工程机械学报,2022(03):273-278
A类：
B类：
Bi,自注意力机制,旋转机械故障诊断,故障诊断方法,功能要求,振动信号,外界干扰,信号处理,故障诊断技术,故障诊断精度,断成,双向长短时记忆网络,转子,子实,实验台,时间步,出进,加权求和,深层特征,特征表示,全连接层,Softmax,其他方法,收敛速度,故障识别,识别准确率
AB值：
0.190509
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。
