清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

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) 计算机硬件 程序设计语言 化学 语言学 哲学 组合数学 基因 生物化学
作者
Xiaohan Chen,Beike Zhang,Dong Gao
出处
期刊:Journal of Intelligent Manufacturing [Springer Science+Business Media]
卷期号:32 (4): 971-987 被引量:441
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
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

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
四叶草完成签到 ,获得积分10
1秒前
Wen完成签到 ,获得积分10
5秒前
拼搏的羊青完成签到 ,获得积分10
27秒前
huanghe完成签到,获得积分10
43秒前
wbh完成签到,获得积分10
44秒前
蛋妮完成签到 ,获得积分10
50秒前
1分钟前
柏月发布了新的文献求助10
1分钟前
平平平平完成签到 ,获得积分10
1分钟前
QQQQQQQ发布了新的文献求助30
1分钟前
蛋卷完成签到 ,获得积分10
1分钟前
汉堡包应助科研通管家采纳,获得10
1分钟前
科研通AI2S应助科研通管家采纳,获得10
1分钟前
情怀应助Destiny采纳,获得10
1分钟前
科研的豪哥完成签到 ,获得积分10
2分钟前
youwenjing11完成签到 ,获得积分10
2分钟前
匆匆完成签到 ,获得积分10
2分钟前
呆呆的猕猴桃完成签到 ,获得积分10
2分钟前
加贝完成签到 ,获得积分10
2分钟前
泥泞完成签到 ,获得积分10
2分钟前
kingcoffee完成签到 ,获得积分10
2分钟前
大水完成签到 ,获得积分10
3分钟前
科研通AI2S应助cc采纳,获得10
3分钟前
王洋洋完成签到 ,获得积分10
3分钟前
zzf关闭了zzf文献求助
3分钟前
JamesPei应助ceeray23采纳,获得30
3分钟前
cc完成签到,获得积分10
3分钟前
宝贝完成签到 ,获得积分10
4分钟前
科目三应助dingding采纳,获得10
4分钟前
4分钟前
研友_Y59785应助常有李采纳,获得10
4分钟前
zhdjj完成签到 ,获得积分10
4分钟前
CC发布了新的文献求助10
4分钟前
Davidjin完成签到,获得积分10
4分钟前
平常的三问完成签到 ,获得积分10
4分钟前
natsu401完成签到 ,获得积分10
4分钟前
我睡觉的时候不困完成签到 ,获得积分10
5分钟前
perfect完成签到 ,获得积分10
5分钟前
星辰大海应助常有李采纳,获得20
5分钟前
5分钟前
高分求助中
The Mother of All Tableaux: Order, Equivalence, and Geometry in the Large-scale Structure of Optimality Theory 3000
A new approach to the extrapolation of accelerated life test data 1000
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
基于可调谐半导体激光吸收光谱技术泄漏气体检测系统的研究 350
Robot-supported joining of reinforcement textiles with one-sided sewing heads 320
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3990732
求助须知:如何正确求助?哪些是违规求助? 3532220
关于积分的说明 11256570
捐赠科研通 3271081
什么是DOI,文献DOI怎么找? 1805229
邀请新用户注册赠送积分活动 882302
科研通“疑难数据库(出版商)”最低求助积分说明 809234