网络模型应用的一类故障诊断方法
深度学习之前介绍了很多方法，目前的一大主流方式利用深度学习模型的改进或者叫做变形写许多改进实验算法的文章，但这些算法真正的工业应用还有很长的路要走，但作为学生类论文，还是能学到不少东西的，今天介绍一篇中文 EI，利用双向长短时记忆网络模型的故障诊断方法。
循环神经网络的经典之作LSTM长短时记忆模型在许多领域取得了不错的成果，尤其在时间序列预测上，利用输入门、遗忘门、输出门的构建，结合长期、短期数据作用的控制，实现了较好的效果，其实轴承等旋转机械在工业场景下也是时间序列的结构，因此利用LSTM进行分析输出具有一定的理论适用性，传统的LSTM结构为
而长短时记忆模型出现后，人们考虑了时间序列上不光前面数据对后面有作用，而后面数据同时对前面数据具有作用，二者相互作用，因此双向LSTM网络被提出，结构为
结合着这些基本算法，文献提出了整体结构
文献主要工作在于模型的应用上。
实验过程仍采用西储大学轴承数据，分十类情况。
训练过程结果准确率和损失率为
同时比较了不同优化器的正确率情况
学习率影响
单元数影响
与单LSTM比较
整篇文献中规中矩，没有太多的点，属于应用性实验性的文献类型，可作为复现学习的参考使用。
文献来源《基于BiLSTM的滚动轴承故障诊断研究》