您当前的位置：
首页 >
文章列表页 >
基于优化A-BiLSTM的滚动轴承故障诊断
车辆工程·机械工程 | 更新时间：2025-05-26

    • 基于优化A-BiLSTM的滚动轴承故障诊断

    • Rolling bearing fault diagnosis based on optimized A-BiLSTM

    • “最新研究发现，基于蜜獾算法优化的注意力双向长短时记忆网络，可实现99.5%的滚动轴承故障诊断准确率，具有强大的泛化能力。”
    • 吉林大学学报（工学版）   2024年54卷第8期 页码：2156-2166
    • 作者机构：

      1.兰州理工大学 电气工程与信息工程学院，兰州 730050

      2.甘肃省工业过程控制重点实验室，兰州 730050

      3.兰州理工大学 电气与控制工程国家级实验教学示范中心，兰州 730050

    • 作者简介：

      余萍（1979-），女，副教授，博士.研究方向：模式识别与智能系统，故障诊断与预测.E-mail： yup@lut.edu.cn

    • 基金信息：
      国家重点研发项目(2020YFB1713600);国家自然科学基金项目(62241307);甘肃省科技计划项目(22YF7FA166);兰州市科技计划项目(2022-RC-60);甘肃省高等学校创新基金项目(2021A-027)

    • DOI：10.13229/j.cnki.jdxbgxb.20221339    

      中图分类号： TH133.3;TP183

    • 收稿：2022-10-18，

      纸质出版：2024-08-01

    移动端阅览

  • 余萍,赵康,曹洁.基于优化A-BiLSTM的滚动轴承故障诊断[J].吉林大学学报（工学版）,2024,54(08):2156-2166. DOI： 10.13229/j.cnki.jdxbgxb.20221339.

    YU Ping,ZHAO Kang,CAO Jie.Rolling bearing fault diagnosis based on optimized A-BiLSTM[J].Journal of Jilin University(Engineering and Technology Edition),2024,54(08):2156-2166. DOI： 10.13229/j.cnki.jdxbgxb.20221339.

  •  
  •  

0

浏览量

23

下载量

0

CSCD

文章被引用时，请邮件提醒。
提交
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

基于变分模态提取及轻量级网络的滚动轴承故障诊断
基于注意力的多尺度卷积神经网络轴承故障诊断
基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断
基于注意力机制的不平衡数据的非侵入式负荷分解
基于多频带特征图和改进SqueezeNet的滚动轴承故障诊断

相关作者

冯志刚
王首起
于明月
尚继洋
余光杰
郝俊
张玺君
陈晓雷

相关机构

沈阳航空航天大学 自动化学院
兰州理工大学 计算机与通信学院
兰州理工大学 甘肃省工业过程先进控制重点实验室
吉林大学 通信工程学院
国网浙江省电力有限公司 金华供电公司计量中心
0