典型文献
小波包能量谱结合LSTM-CNN-CBAM的旋转机械故障诊断
文献摘要：
针对旋转机械故障特征不明显,故障识别准确率低的问题,提出了一种能够提取故障信号特征并且能够准确识别的LSTM-CNN-CBAM智能诊断模型.首先,使用小波包变换对旋转机械原始振动信号进行特征提取,得到具有时频特性的能量谱序列,将其归一化后作为数据集来训练模型;其次,通过LSTM提取数据的时间特性,利用卷积神经网络CNN和注意力机制模块CBAM对重要特征进一步提取;最后,通过softmax层实现分类.实验结果表明,有效提升了模型收敛性能和识别准确率,能够精准识别各类故障.
文献关键词：
故障诊断;旋转机械;小波包变换;长短时记忆网络;卷积神经网络
中图分类号：
作者姓名：
郭文博;石刚;刘晓松
作者机构：
沈阳理工大学自动化与电气工程学院,沈阳 110180;中国科学院 网络化控制系统重点研究室,沈阳 110016;中国科学院 沈阳自动化研究所,沈阳 110016;中国科学院 机器人与智能制造创新研究院,沈阳 110016
文献出处：
引用格式：
[1]郭文博;石刚;刘晓松-.小波包能量谱结合LSTM-CNN-CBAM的旋转机械故障诊断)[J].组合机床与自动化加工技术,2022(10):69-73,78
A类：
B类：
小波包能量谱,CBAM,旋转机械故障诊断,故障特征,故障识别,识别准确率,故障信号,信号特征,准确识别,智能诊断模型,小波包变换,振动信号,时频特性,训练模型,提取数据,时间特性,注意力机制模块,softmax,收敛性能,精准识别,长短时记忆网络
AB值：
0.263238
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。
