典型文献
基于ICNN-BiGRU的轴承故障诊断模型
文献摘要：
在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络-双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法).首先,使用Laplace小波对采集到的滚动轴承振动信号进行了相关滤波,得到了功率谱;然后,利用ICNN-BiGRU自动提取了功率谱特征,在卷积神经网络基础上引入了动态选择机制和自注意力机制,根据轴承不同故障状态定位了相关的特征信息,从而实现了轴承故障特征提取和故障诊断;最后,通过西安交通大学-昇阳科技(XJTU-SY)联合实验室的滚动轴承加速寿命试验数据集,对ICNN-BiGRU模型与其他深度学习模型进行了对比,以验证ICNN-BiGRU模型的优越性.研究结果表明:相比于其他深度学习模型,ICNN-BiGRU模型的故障诊断精度更高,其诊断准确率可达99.65％;在不同背景噪声的干扰下,相比于其他深度学习模型,ICNN-BiGRU模型的特征学习能力更强,具有一定的工程参考价值.
文献关键词：
深度学习模型;特征学习能力;改进卷积神经网络;双向门控循环单元;Laplace小波;动态选择;自注意力
中图分类号：
作者姓名：
杨慧;张瑞君;陈国良
作者机构：
安徽文达信息工程学院智能制造学院,安徽合肥230001;西安交通大学机械工程学院,陕西西安710049;联合传动及轴承技术研究中心,宁夏石嘴山753000
文献出处：
引用格式：
[1]杨慧;张瑞君;陈国良-.基于ICNN-BiGRU的轴承故障诊断模型)[J].机电工程,2022(11):1559-1566
A类：
B类：
ICNN,BiGRU,深度学习模型,故障诊断方法,环境噪声,改进卷积神经网络,双向门控循环单元,滚动轴承故障诊断模型,Laplace,滚动轴承振动信号,相关滤波,功率谱,自动提取,谱特征,网络基础,动态选择,选择机制,自注意力机制,故障状态,特征信息,轴承故障特征提取,西安交通大学,XJTU,SY,联合实验室,加速寿命试验,故障诊断精度,诊断准确率,背景噪声,特征学习能力
AB值：
0.241389
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。
