针对滚动轴承故障的批标准化CNN-LSTM诊断方法
旋转机械健康状况的实时监测十分重要,其中滚动轴承故障更是研究的重点.传统的故障诊断方法难以高效准确地诊断出结构复杂的机械故障,而深度学习强大的数据分析和学习能力,使其在机械故障诊断领域发展迅速.为了提高传统卷积神经网络(CNN)在诊断中的准确度,并考虑到长短记忆网络(LSTM)诊断时间较长的缺陷,提出一种批标准化(BN)的CNN-LSTM模型.在凯斯西储大学轴承数据集上的实验表明,批标准化提高了该混合模型的诊断精度和效率.该方法获得了优于传统深度学习故障诊断方法的诊断结果,能够高效准确地进行多种负荷下、多种故障位置以及多种故障程度的诊断.
滚动轴承、故障诊断、卷积神经网络、长短时记忆网络、批标准化
28
TP277(自动化技术及设备)
国家重大科技专项资助项目;国家自然科学基金;国家自然科学基金;工信部重点实验室资助项目
2023-01-16（万方平台首次上网日期，不代表论文的发表时间）
共10页
3944-3953
