典型文献
基于CNN-BiLSTM的可解释性轴承故障诊断
文献摘要：
基于卷积神经网络的轴承故障诊断过程往往无法解释,并且常规CNN的抗噪性较差.因此,提出了一种基于CNN-BiLSTM的可解释性轴承故障诊断模型.分别从仿真和实验两个方面对CNN的特征提取过程进行分析,采用Grad-CAM++方法以热力图的形式对该过程进行解释,并结合BiL-STM改进模型,提升了模型的诊断精度和抗噪性能.仿真分析表明,Grad-CAM++不仅可以用于二维图片,也能够应用于一维时间信号,具有通用性,并且其可视化结果可以充分表明网络的特征提取过程,具有解释性.实验结果表明,所提出的模型不仅具有解释性,同时相比其他类似网络的平均诊断精度更高,并且具有更好的抗噪性和鲁棒性,验证了该方法在处理滚动轴承故障诊断上的有效性.
文献关键词：
类激活映射;卷积神经网络;双向长短时记忆;故障诊断
中图分类号：
作者姓名：
刘之航;钟玉华
作者机构：
广州城市理工学院汽车与交通工程学院,广州 510800;华南理工大学机械与汽车工程学院,广州 510641
文献出处：
引用格式：
[1]刘之航;钟玉华-.基于CNN-BiLSTM的可解释性轴承故障诊断)[J].组合机床与自动化加工技术,2022(09):59-63
A类：
CAM++
B类：
BiLSTM,可解释性,诊断过程,无法解释,故障诊断模型,Grad,热力图,改进模型,抗噪性能,通用性,明网,滚动轴承故障诊断,类激活映射,双向长短时记忆
AB值：
0.205351
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。
