首页> 中文期刊> 《自动化与仪器仪表》 >基于改进卷积神经网络的齿轮箱故障诊断方法

基于改进卷积神经网络的齿轮箱故障诊断方法

         

摘要

针对传统卷积神经网络(CNN)对振动信号中的时序信息特征提取不敏感,导致对齿轮箱故障诊断准确率不高的问题,提出基于CNN与双向长短时记忆网络(BiLSTM)结合的改进模型用于齿轮箱故障诊断,利用BiLSTM神经网络能够根据时序信息建模的自适应特征提取能力,使改进网络同时具有空间和时间上的特征提取能力,对振动信号中故障特征进一步深度挖掘,同时采用支持向量机(SVM)代替Softmax分类器,克服了Softmax计算速度较慢,受噪声干扰较大的缺点。通过公开数据集验证,改进CNN网络模型故障诊断准确率为98.7%,损失为0.045,比单独的CNN模型准确率高18.8%,比Softmax分类的CNN-BiLSTM模型准确率高3.75%,实验结果证明了该方法比传统CNN网络诊断准确率更高、更有效。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号