基于深度学习的轴承故障识别-选择神经网络模型

在知网和google学术看了很多文献，用到最多的就是四大类。

1.自编码器

2.DBN

3.CNN

4.LSTM

自编码器在分类上的表现我总觉得一般般，所以没选。

剩下三种都是大量文献，其中DBN在keras上好像没有现成的，CNN和LSTM都可以在keras上面直接构建。CWRU数据集是包含轴承故障信息的一维数据，CNN有一维卷积操作；LSTM善于处理和时间序列有关的特征，其本身也是为了解决CNN不能处理时序数据的问题出现的，我当时想的是轴承的故障变化情况肯定也是随着时间情况变化的，用LSTM应该更好，不过后来发现数据集没包含时间信息。还有一种想法就是结合CNN和LSTM，比如用CNN提取特征，再用LSTM训练。

各种网络的原理我主要看的是李玉鑑的深度学习导论及案例分析，CNN和LSTM的原理邱锡鹏的神经网络与深度学习讲的也很好。

---

点击此处返回总目录：基于深度学习的轴承故障识别