典型文献
基于改进CNN-BiGRU的电机轴承故障识别
文献摘要：
针对基于深度学习的电机轴承故障识别方法易受环境噪声干扰的问题,提出了一种改进卷积神经网络(convolutional neural network,CNN)双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的电机轴承故障识别方法.首先,使用CNN和BiGRU提取电机轴承故障振动信号的空间和时间特征;其次,引入动态选择和自注意力机制,依据不同轴承的故障状态自适应定位相关特征信息,实现故障特征精准有效提取;最后,利用t分布随机近邻嵌入方法,将动态选择和自注意力机制层的特征信息段可视化,进一步提高网络模型的可解释性.试验结果表明,改进CNN-BiGRU网络模型可以有效地对轴承的不同故障类型和故障程度进行识别,在不同背景噪声干扰下的特征学习能力和故障识别准确率显著优于其他典型的深度学习模型.
文献关键词：
电机轴承;故障识别;卷积神经网络;双向门控循环单元
中图分类号：
作者姓名：
陈玉球
作者机构：
湖南有色金属职业技术学院机电工程系,株洲 412007
文献出处：
引用格式：
[1]陈玉球-.基于改进CNN-BiGRU的电机轴承故障识别)[J].组合机床与自动化加工技术,2022(07):75-80
A类：
B类：
BiGRU,电机轴承,轴承故障,故障识别方法,环境噪声,噪声干扰,改进卷积神经网络,convolutional,neural,network,双向门控循环单元,bidirectional,gated,recurrent,unit,故障振动,振动信号,空间和时,时间特征,动态选择,自注意力机制,同轴,故障状态,自适应定位,位相,特征信息,故障特征,有效提取,随机近邻嵌入,可解释性,故障类型,故障程度,背景噪声,特征学习能力,识别准确率,深度学习模型
AB值：
0.324996
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。
