典型文献
基于卷积门控循环网络的齿轮箱故障诊断
文献摘要：
为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型.CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别.两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86％和99.85％,与其它现有模型的结果对比体现了本文模型的有效性和优越性.
文献关键词：
机械设计制造及其自动化;卷积神经网络;门控循环单元;时空特征;故障诊断
中图分类号：
作者姓名：
张龙;徐天鹏;王朝兵;易剑昱;甄灿壮
作者机构：
华东交通大学机电与车辆工程学院,南昌330013;中车戚墅堰机车有限公司,常州213011
文献出处：
引用格式：
[1]张龙;徐天鹏;王朝兵;易剑昱;甄灿壮-.基于卷积门控循环网络的齿轮箱故障诊断)[J].吉林大学学报（工学版）,2022(02):368-376
A类：
B类：
门控循环网络,齿轮箱故障诊断,时序相关性,增强模型,门控循环单元,GRU,故障诊断模型,端对端,提取数据,数据空间,空间特征,时空特征,SoftMax,故障识别,故障诊断精度,现有模型,结果对比,机械设计制造及其自动化
AB值：
0.305213
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。
