典型文献
基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法
文献摘要：
针对原始振动信号不可避免的包含多余噪声问题.提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态.用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks,DNN)、支持向量机(support vector machine,SVM)、降噪自编码器(denoising auto-encoder,DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98％以上的准确率.
文献关键词：
旋转机械;特征提取;稀疏滤波;长短期记忆网络;故障诊断
中图分类号：
作者姓名：
李益兵;曹睿;江丽
作者机构：
武汉理工大学 机电工程学院,武汉 430070;数字制造湖北省重点实验室,武汉 430070
文献出处：
引用格式：
[1]李益兵;曹睿;江丽-.基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法)[J].振动与冲击,2022(19):144-151,187
A类：
B类：
稀疏滤波,长短期记忆网络,旋转机械故障诊断,故障诊断方法,振动信号,多余,噪声问题,sparse,filtering,SF,long,short,term,memory,故障诊断模型,快速傅立叶变换,时域信号,信号转换,转换成,频域信号,低维,故障特征,堆叠,分类器,故障状态,轴承,齿轮,Softmax,深度神经网络,deep,neural,networks,DNN,support,vector,machine,降噪自编码器,denoising,auto,encoder,DAE,试验对比,噪声环境,数据不平衡
AB值：
0.370466
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。
