典型文献
基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法
文献摘要：
针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入RNN进行训练;最后,用测试集验证CNN-RNN模型的有效性.XJTU-SY和CWRU轴承数据集的试验结果表明:相对于HHT和GASF编码方法,GADF编码方法对原始信号故障特征的表达能力更强;相对于独立的CNN模型或RNN模型,CNN-RNN模型的识别效果更好;GADF编码方法与CNN-RN N模型相结合时具有更高的识别率.
文献关键词：
滚动轴承;卷积神经网络;门控循环单元;格拉姆角场;故障诊断
中图分类号：
作者姓名：
姚立;孙见君;马晨波
作者机构：
南京林业大学 机械电子工程学院,南京 210037
文献出处：
引用格式：
[1]姚立;孙见君;马晨波-.基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法)[J].轴承,2022(02):61-67
A类：
B类：
格拉姆角场,RNN,滚动轴承故障诊断,故障诊断方法,处理时间,时间序列数据,循环神经网络,提取数据,深层特征,深度卷积网络,GAF,轴承振动,振动信号,时序图像,训练集,验证集,测试集,集输,VGG16,取到,XJTU,SY,CWRU,轴承数据,HHT,GASF,编码方法,GADF,故障特征,表达能力,识别率,门控循环单元
AB值：
0.337629
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。
