| 变负载工况下滚动轴承故障分类识别方法研究 |
|
| |
| 中文关键词:双尺度卷积神经网络 双向长短时记忆网络 变负载工况 滚动轴承故障诊断 |
| 英文关键词: |
| 基金项目: |
|
| 摘要点击次数: 735 |
| 全文下载次数: 0 |
| 中文摘要: |
| 针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题，提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础，通过双尺度卷积神经网络结合双向长短时记忆网络，对滚动轴承振动信号进行空间维度特征和时间序列特征的提取，实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验，采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取，平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率，为滚动轴承健康状态识别提供了关键技术。 |
| 英文摘要: |
| |
| 尹博文；任彬；郝如江；张建超.变负载工况下滚动轴承故障分类识别方法研究[J].石家庄铁道大学学报(社会科学版),202336(3):105-111. |
| 查看全文 下载PDF阅读器 |
|
| 关闭 |
|
|
|
|
|