基于卷积门控循环网络的齿轮箱故障诊断
Journal of Jilin University(Engineering and Technology Edition)（2022）
Abstract
为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型.CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别.两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86％和99.85％,与其它现有模型的结果对比体现了本文模型的有效性和优越性.
MoreAI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined