一、LSTM和CNN在轴承故障诊断中的应用 LSTM和CNN都是深度学习中常见的模型,它们都可以用于轴承故障诊断。基于LSTM的轴承故障诊断模型可以处理序列数据,特别是当序列数据的整体顺序很重要时,LSTM的效果更好。然而,这种方法可能会忽略振动数据的空间特征。基于CNN的轴承故障诊断模型在各方面性能上可能更为优异。例如,准确率...
Python轴承故障诊断 (三)经验模态分解EMD - 知乎 (zhihu.com) Pytorch-LSTM轴承故障一维信号分类(一) - 知乎 (zhihu.com) Pytorch-CNN轴承故障一维信号分类(二) - 知乎 (zhihu.com) Pytorch-Transformer轴承故障一维信号分类(三) - 知乎 (zhihu.com) Python轴承故障诊断 (四)基于EMD-CNN的故障分类 - 知乎 (...
LSTM 和 CNN 的结合弥补了使用 CNN 单独处理时间序列数据的不足,提高了模型的鲁棒性。改进后的算法不仅训练参数少、诊断时间少,而且泛化能力强,更适合处理滚动轴承故障的准确识别和实时诊断。 2-D CNN 多测量点的往复式压缩机阀门故障诊断模型 总结说明 所提出的模型比其他模型更准确,准确率达到了 95%以上,这证明...
滚动轴承故障诊断代码cnn,lstm 故障诊断寿命预测 748 0 连续小波变换处理,用2DCNN网络用于滚动轴承故障诊断,四分类,(可替换数据)每种类别60张图像凯斯西储大学轴承数据集,准确率可达100%。 故障诊断寿命预测 283 0 滚动轴承故障诊断,故障诊断, 故障诊断寿命预测 69 0 滚动轴承故障诊断代码,深度学习, 故障诊断...
改进CNN-LSTM 模型在滚动轴承故障诊断中的 应用① 曹正志, 叶春明 (上海理工大学 管理学院, 上海 200093)通讯作者: 曹正志 摘 要: 滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期...
提出了卷积-长短时记忆神经网络（CNN-LSTM)轴承故障诊断模型，建立一 种端到端的学习架构，实现轴承故障的智能诊断和分类。使用凯斯西储大学（CWRU)轴承数据在Python搭建的keras框架仿真验证，结果显示所提故障诊断方法较传统方法准确率更高，模型的运行速度相较于长短时记忆网络（LSTM)轴承故障诊断方法更快，可以有 ...
1.一种基于遗传算法的CNN-LSTM轴承故障诊断方法,其特征在于包括以下步骤: (1)使用PT500mini机械轴承齿轮故障模拟试验台采集轴承正常状态、内圈故障、外圈故障、滚动体故障、综合故障、保持架故障的六种运行状态数据集; (2)对采集到的轴承故障数据进行预处理操作,首先是增强处理,采用有重叠训练样本分割的方法实现训练数...
本项目旨在开发一种基于卷积神经网络(CNN)的滚动轴承故障诊断系统。该系统既可以使用一维振动信号直接进行故障诊断,也可以通过将一维信号转化为图像后再进行故障诊断。系统支持多种模型架构和数据集选项,以便适应不同的应用场景和技术需求。 项目特点 多种输入形式:支持直接使用一维振动信号或通过特定算法转化为图像的形式...
1.一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法,其特征在于,按下述步骤进行: a.将原始一维振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充,得到扩充信号; b.将扩充信号分别输入到1-DCNN和LSTM两个通道中进行训练分析,提取特征信息;在1-DCNN通道中提取得到空间特征信息,在LSTM通道中提取得到时间特征信息...
(Long Short-Term Memory,LSTM)深度机器学习算法,针对1DCNN处理时间序列数据时,缺乏对时序信息建模能力,将LSTM添加到1DCNN模型中,利用LSTM的记忆单元和门控制对强化筛选的振动时序数据构建滚动轴承智能诊断模型,从而捕捉到上述振动数据序列中与早期故障有效成分戚戚相关的长期依赖关系,从而提高上述故障诊断模型的精度,克服...