典型文献
基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断
文献摘要：
针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题.基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法.采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类.结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76％与5.21％,表明该方法具有良好的鲁棒性和泛化性能.
文献关键词：
卷积神经网络;双向长短期记忆网络;混沌理论;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;孙康;肖俊青
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;孙康;肖俊青-.基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断)[J].振动与冲击,2022(17):160-169
A类：
CCNN
B类：
双向长短期记忆网络,混沌理论,滚动轴承故障诊断,故障诊断方法,变载荷,BiLSTM,Chaotic,智能故障诊断,相空间重构,构法,混沌序列,Softmax,较之,dB,泛化性能
AB值：
0.177711
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。
