Bearing fault diagnosis base on multi-scale CNN and LSTM model

希尔伯特-黄变换 卷积神经网络 核(代数) 转化(遗传学) 计算机科学 小波变换 断层(地质) 信号(编程语言) 信号处理 人工神经网络 特征(语言学) 小波 方位(导航) 离散小波变换 模式识别(心理学) 人工智能 地质学 地震学 数字信号处理 数学 计算机视觉 滤波器(信号处理) 生物化学 化学 语言学 哲学 组合数学 计算机硬件 基因 程序设计语言
作者
Xiaohan Chen,Beike Zhang,Dong Qiang Gao
出处
期刊:Journal of Intelligent Manufacturing [Springer Science+Business Media]
卷期号:32 (4): 971-987 被引量:780
标识
DOI:10.1007/s10845-020-01600-2
摘要

Intelligent fault diagnosis methods based on signal analysis have been widely used for bearing fault diagnosis. These methods use a pre-determined transformation (such as empirical mode decomposition, fast Fourier transform, discrete wavelet transform) to convert time-series signals into frequency domain signals, the performance of dignostic system is significantly rely on the extracted features. However, extracting signal characteristic is fairly time consuming and depends on specialized signal processing knowledge. Although some studies have developed highly accurate algorithms, the diagnostic results rely heavily on large data sets and unreliable human analysis. This study proposes an automatic feature learning neural network that utilizes raw vibration signals as inputs, and uses two convolutional neural networks with different kernel sizes to automatically extract different frequency signal characteristics from raw data. Then long short-term memory was used to identify the fault type according to learned features. The data is down-sampled before inputting into the network, greatly reducing the number of parameters. The experiment shows that the proposed method can not only achieve 98.46% average accuracy, exceeding some state-of-the-art intelligent algorithms based on prior knowledge and having better performance in noisy environments.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
今后的应助被DionysusR采纳,获得10
刚刚
YY关注了科研通微信公众号
刚刚
ttttttt发布了新的文献求助10
1秒前
2秒前
香蕉觅云的应助被rachel采纳,获得10
2秒前
promise发布了新的文献求助10
2秒前
盛小珊完成签到,获得积分10
3秒前
齐xia完成签到 ,获得积分10
4秒前
William_l_c发布了新的文献求助50
4秒前
ff发布了新的文献求助10
4秒前
Akim的应助被Libra采纳,获得10
4秒前
zhanglx66完成签到 ,获得积分10
5秒前
6秒前
WU哇哇完成签到,获得积分10
6秒前
7秒前
思源的应助被99采纳,获得10
7秒前
rui完成签到 ,获得积分10
9秒前
xyzlancet完成签到,获得积分10
9秒前
直率天德完成签到,获得积分10
9秒前
合适尔风完成签到,获得积分10
10秒前
10秒前
齐xia关注了科研通微信公众号
10秒前
11秒前
12秒前
ww960517完成签到,获得积分10
12秒前
13秒前
14秒前
ning完成签到,获得积分10
15秒前
吃葡萄不吐葡萄皮的应助被YXH采纳,获得30
16秒前
rachel发布了新的文献求助10
16秒前
ssk发布了新的文献求助10
17秒前
18秒前
正直指甲油完成签到,获得积分20
18秒前
往事随风完成签到,获得积分10
18秒前
foxdaopo发布了新的文献求助10
19秒前
William_l_c完成签到,获得积分10
19秒前
万木春完成签到 ,获得积分10
19秒前
MrZ1完成签到,获得积分10
19秒前
只只完成签到,获得积分10
20秒前
11完成签到,获得积分10
21秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 2000
Sex, Aging, and Death in a Medieval Medical Compendium: Trinity College Cambridge MS R.14.52, Its Texts, Language, and Scribe 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
基于界面调控的高效湿气发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8191140
求助须知:如何正确求助?哪些是违规求助? 9578110
关于积分的说明 21856695
捐赠科研通 7790440
什么是DOI,文献DOI怎么找? 3436520
关于科研通互助平台的介绍 2560328
邀请新用户注册赠送积分活动 2483288