-
题名双通道特征融合CNN-GRU齿轮箱故障诊断
被引量：16
- 1
-
-
作者
张龙
甄灿壮
易剑昱
蔡秉桓
徐天鹏
尹文豪
-
机构
华东交通大学机电与车辆工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第19期239-245,294,共8页
-
基金
国家自然科学基金(51665013)
江西省研究生创新资金(YC2019-S243)。
-
文摘
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。
-
关键词
齿轮箱
卷积神经网络(CNN)
门控递归单元(gru)
故障诊断
-
Keywords
gearbox
convolutional neural network(CNN)
gated recurrent unit(gru)
fault diagnosis
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
-
题名利用拼音特征的深度学习文本分类模型
被引量：8
- 2
-
-
作者
赵博轩
房宁
赵群飞
张朋柱
-
机构
上海交通大学自动化系系统控制与信息处理教育部重点实验室
上海交通大学人文学院
上海交通大学安泰经济与管理学院
-
出处
《高技术通讯》
北大核心
2017年第7期596-603,共8页
-
基金
国家自然科学基金(91646205)资助项目
-
文摘
针对人-机器人语音交互中经过语音识别的文本指令,提出了一种利用汉语拼音中声韵母作为特征的深度学习文本分类模型。首先,以无人驾驶车语音导航控制为人机交互的应用背景,分析其文本指令结构并分别构建单一意图与复杂意图语料库;其次,在以字符作为文本分类特征的基础上,结合汉语拼音与英文单词的区别,提出了一种利用拼音声韵母字符作为中文文本分类的特征表示方法;然后,用门控递归单元(GRU)代替传统递归神经网络单元以解决其难以捕获长时间维度特征的不足,为提取信息的高阶特征、缩短特征序列长度并加快模型收敛速度,建立了一种结合卷积神经网络及GRU递归神经网络的深度学习文本分类模型。最后,为验证模型在处理长、短序列任务上的表现,在上述两个语料库上对提出的模型分别进行十折交叉测试,并与其他分类方法进行比较与分析,结果表明该模型显著地提高了分类准确率。
-
关键词
文本分类
意图理解
声韵母特征
门控递归单元(gru)
-
Keywords
text classification, intention understanding, features of consonant and vowel, gated recurrent units （gru）
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP391.1
[自动化与计算机技术—控制科学与工程]
-
-
题名基于深度神经网络算法的风电功率短期预测模型
被引量：3
- 3
-
-
作者
朱宗玖
刁海岸
-
机构
安徽理工大学电气与信息工程学院
-
出处
《邵阳学院学报（自然科学版）》
2022年第4期1-9,共9页
-
基金
安徽省自然科学基金(1808085MF169)
安徽高校自然科学研究项目(KJ2018A0086)。
-
文摘
基于风力发电容易受到外界因素影响,导致输出功率呈现波动性,提出一种卷积神经网络(convolutional neural network,CNN)和门控递归单元(gated recursive unit,GRU)相结合的风电功率预测模型,预测风电功率有利于减少风电并网对电网稳定性造成的影响。使用主成分分析法(principal component analysis,PCA)对风电多维数据进行预处理,采用CNN自动获取预处理后数据的深层时空矩阵特征,结合GRU挖掘数据的时间序列特征,建立起基于CNN-GRU网络的短期风电功率预测模型。对黑龙江某风电场实测数据进行仿真分析,对比结果表明,设计的模型精度高,相比GRU和CNN,均方根误差分别减少了41%和17%。
-
关键词
风电功率
主成分分析法(PCA)
卷积神经网络(CNN)
门控递归单元(gru)
-
Keywords
wind power
principal component analysis(PCA)
convolutional neural net work(CNN)
gated recursive unit(gru)
-
分类号
TK83
[动力工程及工程热物理—流体机械及工程]
-
-
题名基于GRU神经网络的软土地区公路路基沉降预测方法
被引量：3
- 4
-
-
作者
刘晓剑
金可云
温勇兵
-
机构
中国铁建投资集团有限公司
-
出处
《公路与汽运》
2023年第2期62-67,共6页
-
文摘
采用门控递归单元(GRU)神经网络生成预测模型,依据Nesterov-accelerated Adam(Nadam)算法学习软土地区公路路基沉降数据的演变规律,采用沉降监测历史数据和实时数据进行训练,并在训练结束后再次分析实时监测数据,预测下一阶段的沉降变形;结合湖南某高速公路工程路基沉降数据,利用该模型对软土地区高速公路路基不均匀沉降进行预测,并与沉降实测值进行对比,分析预测模型的准确性和可靠性。结果表明,模型预测值与路基沉降实测值相吻合,基于GRU的路基沉降预测方法可靠。
-
关键词
公路
路基
沉降预测
软土地区
门控递归单元(gru)神经网络
-
分类号
U416.1
[交通运输工程—道路与铁道工程]
-
