期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于BI-LSTM的小样本滚动轴承故障诊断方法研究
被引量:
16
1
作者
范宇雪
王江文
+2 位作者
梅桂明
邱江洋
刘晓龙
《噪声与振动控制》
CSCD
2020年第4期103-108,共6页
微弱故障特征的有效提取与判别模型的精确性是滚动轴承状态监测和故障诊断的关键。针对长短时记忆网络(LSTM)模型在少样本条件下存在故障诊断准确度较低的问题,提出一种基于双向长短时记忆网络(BI-LSTM)的小样本滚动轴承故障诊断方法:...
微弱故障特征的有效提取与判别模型的精确性是滚动轴承状态监测和故障诊断的关键。针对长短时记忆网络(LSTM)模型在少样本条件下存在故障诊断准确度较低的问题,提出一种基于双向长短时记忆网络(BI-LSTM)的小样本滚动轴承故障诊断方法:首先采用自适应白噪声的集合经验模态分解(CEEMDAN)与傅里叶变换对信号进行分解变换构成特征矩阵,然后采用BI-LSTM进行特征提取,获取每个样本序列的故障特征,最后采用逻辑回归(LR)将多个故障特征汇总学习。结果表明:所提出的方法在随机的小样本测试集上平均精确度相对传统LSTM模型提高30.8%,可为滚动轴承健康状态监测提供重要算法支撑。
展开更多
关键词
故障诊断
CEMMDAN
BI-LSTM
LR
轴承
傅里叶变换
下载PDF
职称材料
题名
基于BI-LSTM的小样本滚动轴承故障诊断方法研究
被引量:
16
1
作者
范宇雪
王江文
梅桂明
邱江洋
刘晓龙
机构
西南交通大学牵引动力国家重点实验室
出处
《噪声与振动控制》
CSCD
2020年第4期103-108,共6页
基金
国家重点研发计划资助项目(2016YFB1200401-102B)。
文摘
微弱故障特征的有效提取与判别模型的精确性是滚动轴承状态监测和故障诊断的关键。针对长短时记忆网络(LSTM)模型在少样本条件下存在故障诊断准确度较低的问题,提出一种基于双向长短时记忆网络(BI-LSTM)的小样本滚动轴承故障诊断方法:首先采用自适应白噪声的集合经验模态分解(CEEMDAN)与傅里叶变换对信号进行分解变换构成特征矩阵,然后采用BI-LSTM进行特征提取,获取每个样本序列的故障特征,最后采用逻辑回归(LR)将多个故障特征汇总学习。结果表明:所提出的方法在随机的小样本测试集上平均精确度相对传统LSTM模型提高30.8%,可为滚动轴承健康状态监测提供重要算法支撑。
关键词
故障诊断
CEMMDAN
BI-LSTM
LR
轴承
傅里叶变换
Keywords
fault diagnosis
CEEMDAN
BI-LSTM
LR
bearing
Fourier transform
分类号
U279 [机械工程—车辆工程]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于BI-LSTM的小样本滚动轴承故障诊断方法研究
范宇雪
王江文
梅桂明
邱江洋
刘晓龙
《噪声与振动控制》
CSCD
2020
16
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部