基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型 |
| |
引用本文: | 项璇,曹少中,杨彦红.基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型[J].北京印刷学院学报,2023(3):22-26. |
| |
作者姓名: | 项璇 曹少中 杨彦红 |
| |
作者单位: | 北京印刷学院信息工程学院 |
| |
基金项目: | 北京市自然基金和北京市教委联合项目(KZ202010015021); |
| |
摘 要: | 针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题,本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取,并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上,较于其它类型的CNN-LSTM故障模型准确率更高,训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。
|
关 键 词: | 滚动轴承 故障诊断 卷积神经网络 长短时记忆网络 |
|
|