自适应注意力LSTM-ResNet下的滚动轴承故障诊断

	自适应注意力LSTM-ResNet下的滚动轴承故障诊断
	姜健 1; 魏小源2,3
	2024-04-17
发表期刊	制造技术与机床
ISSN	1005-2402
页码	1-9
摘要	滚动轴承信号具有复杂性和非线性的特点，对特征提取和故障分类带来挑战。为解决上述问题，文章提出一种自适应注意力LSTM-Resnet（long short-term memory residual network）下的滚动轴承故障诊断方法。首先设计双向LSTM组特征提取模型，获取复杂运行条件下的滚动轴承特征；然后，提出自适应注意力LSTM-ResNet完成特征学习，并自适应调整模型中关键特征的权重；最后，采用GAP（global average pooling）方法结合Softmax模型缓解模型过拟合并完成故障分类。在数据集中完成滚动轴承故障分类，实验结果表明：文章方法的滚动轴承故障诊断准确率相对于SVD-ResNet方法和宽卷积模型更高，并且能在标记样本数量较少和噪声环境下均达到较高的检测准确率，具有更高的准确性和更强的鲁棒性。
关键词	机械设备故障诊断 LSTM 权重 Softmax GAP
URL	查看原文
收录类别	北大核心
语种	中文
资助项目	国家自然科学基金青年科学基金项目（62101228）;甘肃省科技重点研发项目（20YF3GA018）
中图分类号	TH133.33;TP18
原始文献类型	学术期刊
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/170648
专题	电气工程与信息工程学院
通讯作者	姜健
作者单位	1.绵阳职业技术学院; 2.兰州理工大学电气工程与信息工程学院; 3.甘肃省工业过程先进控制重点实验室
推荐引用方式 GB/T 7714	姜健,魏小源. 自适应注意力LSTM-ResNet下的滚动轴承故障诊断[J]. 制造技术与机床,2024:1-9.
APA	姜健,&魏小源.(2024).自适应注意力LSTM-ResNet下的滚动轴承故障诊断.制造技术与机床,1-9.
MLA	姜健,et al."自适应注意力LSTM-ResNet下的滚动轴承故障诊断".制造技术与机床 (2024):1-9.