典型文献
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
文献摘要：
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54 000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.
文献关键词：
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
中图分类号：
作者姓名：
许启发;程启亮;蒋翠侠;汪湘湘
作者机构：
合肥工业大学 管理学院,安徽合肥230009;合肥工业大学 过程优化与智能决策教育部重点实验室,安徽合肥230009
文献出处：
引用格式：
[1]许启发;程启亮;蒋翠侠;汪湘湘-.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)[J].机电工程,2022(08):1050-1060
A类：
GSMBCLAM
B类：
组序列,多分支,风机轴承,齿轮箱故障诊断,诊断研究,工业环境,单点,采集时间,几秒,故障智能诊断,注意力机制,分支卷积神经网络,长短期记忆网络,采样间隔,数据合并,成组,一维卷积神经网络,1D,自适应特征提取,特征加权,故障分类,误分类,焦点损失函数,数代,交叉熵损失函数,SoftMax,分类器,诊断结果,一个包,提取特征,齿轮故障,真实数据,精确率,召回率,指标对比,竞争模型,轴承故障诊断
AB值：
0.291435
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
