典型文献
基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别
文献摘要：
针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器(denoising autoencoder,DAE)与改进卷积神经网络(improved convolu-tional neural network,ICNN)的采煤机健康状态识别方法.首先,对原始监测数据作滑动平均降噪处理并进行归一化;其次,通过无监督训练降噪自编码器实现数据降维、特征提取,进而构建健康状态指标;然后,根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型,实现采煤机健康状态的自动识别;最后,利用采煤机仿真数据完成模型验证并与其他多种健康状态识别方法进行对比.结果表明:该方法识别准确率达98.38％,明显高于其他方法,可为后期的预知维护提供理论支持.
文献关键词：
采煤机;健康状态识别;卷积神经网络;降噪自编码器
中图分类号：
作者姓名：
曹现刚;许欣;雷卓;李彦川
作者机构：
西安科技大学机械工程学院,陕西西安 710054;陕西省矿山机电装备智能监测重点实验室,陕西西安 710054
文献出处：
引用格式：
[1]曹现刚;许欣;雷卓;李彦川-.基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别)[J].信息与控制,2022(01):98-106
A类：
B类：
降噪自编码器,改进卷积神经网络,采煤机,健康状态识别,监测参数,数间,冗余信息,强噪声,噪声干扰,机状态,状态指标,指标构建,识别准确率,denoising,autoencoder,DAE,improved,convolu,tional,neural,network,ICNN,滑动平均,降噪处理,无监督训练,数据降维,卷积神经网络模型,自动识别,仿真数据,成模,模型验证,方法识别,其他方法,预知维护
AB值：
0.279718
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。
