典型文献
基于1DCNN-BiLSTM组合模型的S700K转辙机故障诊断
文献摘要：
针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)结合的转辙机故障诊断方法.首先,对微机监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks,CNN)的卷积层和池化层对处理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为BiLSTM层的输入,进一步挖掘深层次的特征;最后使用Softmax函数实现智能故障诊断.以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和F1值等评价指标分别达到98.99％、98.89％和98.89％,相较于其他经典故障诊断模型,1DCNN-BiLSTM模型在保证训练速度较快的情况下,将故障诊断的准确率至少提升了 1.08％.
文献关键词：
1DCNN;BiLSTM;S700K转辙机;故障诊断
中图分类号：
作者姓名：
王瑞峰;李扬
作者机构：
兰州交通大学自动化与电气工程学院 兰州 730070
文献出处：
引用格式：
[1]王瑞峰;李扬-.基于1DCNN-BiLSTM组合模型的S700K转辙机故障诊断)[J].电子测量与仪器学报,2022(11):193-200
A类：
B类：
1DCNN,BiLSTM,组合模型,S700K,转辙机故障,有效特征,信号处理,分类算法,联合优化,一维卷积神经网络,双向长短期记忆神经网络,bidirectional,long,short,term,memory,故障诊断方法,微机监测,功率曲线,convolution,neural,networks,卷积层,池化,自适应提取,故障特征,再经,扁平,Flatten,Softmax,智能故障诊断,铁路局,真实数据,数据验证,验证模型,精确率,召回率,典故,故障诊断模型,训练速度,少提
AB值：
0.39301
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。
