《表1 CNN-LSTM模型相关参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于LSTM与迁移学习的滚动轴承故障诊断》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。