典型文献
基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断
文献摘要：
针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法.首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类.试验结果表明,所提方法的诊断准确率平均为98.75％,高于比较方法,更加适用于滚动轴承故障诊断.
文献关键词：
滚动轴承;故障诊断;卷积神经网络;门控循环单元;注意力机制
中图分类号：
作者姓名：
葛超;杨奇睿;刘佳伟;臧理萌;陈亮;孙瑞琪
作者机构：
鞍钢集团自动化有限公司设备诊断业务部,辽宁鞍山114000;鞍钢集团北京研究院有限公司未来钢铁研究院,北京102200
文献出处：
引用格式：
[1]葛超;杨奇睿;刘佳伟;臧理萌;陈亮;孙瑞琪-.基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断)[J].中国冶金,2022(04):99-105,131
A类：
B类：
空洞卷积神经网络,注意力机制,GRU,滚动轴承故障诊断,故障诊断方法,提取特征,故障振动,振动信号,自适应特征提取,智能诊断,诊断问题,DCNN,加计,计算量,不同尺度,尺度空间,空间特征,门控循环单元,序列数据,多路径,路径融合,端到端,原始数据,自动提取,时序信号,信号特征,Attention,取到,特征融合,后送,送入,层进,诊断准确率,比较方法
AB值：
0.350038
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。
