期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于组序列多分支CNN-LSTM的风机轴承和齿轮箱故障诊断研究 被引量：5
1
作者 许启发 程启亮 +1 位作者 蒋翠侠 汪湘湘 《机电工程》 CAS 北大核心 2022年第8期1050-1060,共11页
现实工业环境中,单点数据的采集时间通常为几秒甚至更短,现有基于单点数据的风机轴承和齿轮箱故障智能诊断算法难以取得满意结果,为此,提出了一种具有注意力机制的组序列多分支卷积神经网络长短期记忆网络(CNN-LSTM)模型,即GSMBCLAM模... 现实工业环境中,单点数据的采集时间通常为几秒甚至更短,现有基于单点数据的风机轴承和齿轮箱故障智能诊断算法难以取得满意结果,为此,提出了一种具有注意力机制的组序列多分支卷积神经网络长短期记忆网络(CNN-LSTM)模型,即GSMBCLAM模型。首先,将具有相同采样间隔的连续多点数据合并成组序列样本,并将组序列波形和频谱同时输入2个不同的一维卷积神经网络(1D-CNN)中,进行了自适应特征提取;其次,采用注意力机制,将提取出来的特征与人工提取的特征进行了特征加权,并将加权后的特征进行了融合,然后将其输入到LSTM中;再次,考虑到故障分类中,不同类别误分类代价不同的问题,采用焦点损失函数代替了传统的交叉熵损失函数;最后,基于SoftMax分类器输出了诊断结果,通过一个包含54000个原始波形、频谱和人工提取特征,区分5类不同的轴承和齿轮故障和1类正常的真实数据集进行了对比实验。研究结果表明:GSMBCLAM方法在准确率、精确率、召回率、F1分数上分别达到了98.40%、98.46%、98.63%、98.30%;其效果优于只基于单点数据或单分支的模型,各项指标对比于其他深度学习竞争模型具有明显优势;焦点损失函数的引入解决了故障诊断中误分类代价不同的问题。 展开更多
关键词 齿轮箱故障诊断 轴承故障诊断 组序列 多分支 卷积神经网络长短期记忆网络 焦点损失函数
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部