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
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：
基于特征增强时间序列和Transformer-BiLSTM的低速重载轴承故障诊断
1
作者 许一凡 雪增红 +3 位作者 郭军 程峰 王启峥 王道帅 《机电工程》 2025年第9期1659-1668,共10页
针对低速重载设备滚动轴承故障诊断需要较高的识别准确度和时间效率,且存在故障信息特征提取不充分的问题,提出了一种基于特征增强时间序列(FRTS)和Transformer-BiLSTM的滚动轴承故障诊断方法。首先,对原始数据频域信号进行了低通滤波处... 针对低速重载设备滚动轴承故障诊断需要较高的识别准确度和时间效率,且存在故障信息特征提取不充分的问题,提出了一种基于特征增强时间序列(FRTS)和Transformer-BiLSTM的滚动轴承故障诊断方法。首先,对原始数据频域信号进行了低通滤波处理,对滤波后的信号进行了频域上采样,重构了幅值和相位,增强了故障信息;然后,采用逆傅里叶变换将信号转换为故障特征增强的时域信号,将数据输入Transformer编码器层提取特征,同时引入双向长短时记忆网络(BiLSTM),使网络能够提取信号双向时间序列上的依赖关系;最后,将信号特征池化并传输至全连接层进行了故障分类,使用低速重载轴承实例数据集验证了基于FRTS和Transformer-BiLSTM方法的有效性和可行性,并采用西储大学数据集验证了其泛化能力和鲁棒性。研究结果表明:基于FRTS和Transformer-BiLSTM的轴承故障诊断方法在低速重载轴承实例数据集上的准确率为85.0%,相比于其他传统深度学习模型,其故障识别率更高;在西储大学数据集中,采用该方法时获得诊断准确率达到99.6%。该诊断方法可满足轴承故障诊断的要求,为轴承故障诊断提供了一种新方法。 展开更多
关键词 轴承故障分类识别 深度学习 特征增强时间序列 多头注意力机制 双向长短时记忆网络 信号重构
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部