利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM.其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征.同时,注意力机制的引入可以使得模型自动提取出重要...
DRSN-CW是一种在轴承故障诊断中应用的模型,它利用深度残差网络中逐通道不同阈值的残差收缩模块的降噪能力和特征提取能力,有助于更准确地诊断轴承故障。例如,有研究结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM,这个模型在无降噪处理的情况下,相比于其他模型能...
为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂...
深度学习长短期记忆网络深度残差收缩神经网络由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低.为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法.该方法基于长短期记忆网络(long-short-term memory...
基于DRSN-CW和LSTM的轴承故障诊断doi:10.12178/1001-0548.2021385王磊孙志成陈端兵蒋家玮Journal of the University of Electronic Science & Technology of China
由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低.为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法.该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络...