《表1 CNN-LSTM模型相关参数》
滚动轴承故障在时域图中一般是周期性的,然而每种轴承故障时域图周期是不确定的,因此,所提出的网络应该能够处理这种长度可变的信号。故提出一种CNN和LSTM相结合的混合式深度学习网络模型,其网络架构见图1,相关参数见表1。结构的第1层到第6层是与池化层连接的卷积层,而第7层是LSTM层。在网络的最后是一系列全连接层,用于预测输出。卷积层有助于提取空间特征图,随后的LSTM层有助于模型捕捉这些特征图中存在的时间动态[17]。故障的分类取决于通过全连接层的最终LSTM单元的输出。
图表编号 | XD00190100400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.15 |
作者 | 修嘉芸、谷玉海、任斌、王红军 |
绘制单位 | 北京信息科技大学现代测控技术教育部重点实验室、北京信息科技大学现代测控技术教育部重点实验室、北京航天长征飞行器研究所、北京信息科技大学现代测控技术教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |