Modelo híbrido CNN-BiLSTM-MHSA para un diagnóstico preciso de fallas en rodamientos de motores de rotor
Autores: Yang, Zizhen; Li, Wei; Yuan, Fang; Zhi, Haifeng; Guo, Min; Xin, Bo; Gao, Zhilong
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Modelo híbrido CNN-BiLSTM-MHSA para un diagnóstico preciso de fallas en rodamientos de motores de rotor
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Rotor del motor
Diagnóstico de fallas
Vehículos aéreos no tripulados
Aprendizaje profundo
Modelo CNN-BiLSTM-MHSA
Señales de vibración
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El modelo propuesto logra una precisión del 99.33% en la identificación de rodamientos defectuosos, superando a modelos tradicionales como CNN (93.33%) y LSTM (62.00%) y avances recientes, incluidos CNN-LSTM (98.87%), el Modelo híbrido de Autoencoder Recurrente de Atención (ARAE) (66.00%), Lightweight Time-focused Model Network (LTFM-Net) (96.67%) y Wavelet Denoising CNN-LSTM (WDCNN-LSTM) (96.00%).
Descripción
El modelo propuesto logra una precisión del 99.33% en la identificación de rodamientos defectuosos, superando a modelos tradicionales como CNN (93.33%) y LSTM (62.00%) y avances recientes, incluidos CNN-LSTM (98.87%), el Modelo híbrido de Autoencoder Recurrente de Atención (ARAE) (66.00%), Lightweight Time-focused Model Network (LTFM-Net) (96.67%) y Wavelet Denoising CNN-LSTM (WDCNN-LSTM) (96.00%).