.png){kind=icon}
返回
Deep Feature Decoupling Network for Ball Mill Load Signals
.png){kind=icon}
OA
AI
DOI：10.3390/machines13100881.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确识别球磨机的负载状态对于优化研磨效率并确保运行稳定性至关重要。然而，从球磨机采集的一维振动信号表现出强烈的非平稳性，以及多尺度局部瞬态特征与长程时序演化模式之间的高度纠缠。为解决此问题，本文并未完全依赖纯黑箱方法，而是引入了一种由清晰特征解耦理念引导的新型深度多尺度时空特征解耦网络（DMSTFD-Net），以提升模型可解释性。DMSTFD-Net的核心在于其分层协同特征精炼机制。首先，利用一维残差网络（ResNet）自适应地捕捉并初步解耦原始信号中的多尺度空间特征；随后，将提取的高阶特征序列输入双向门控循环单元（Bi-GRU）以解耦高阶时序动态模式。在多工况数据集上的实验表明，所提出的网络达到了97.65%的当前最优精度。此外，专项跨工况实验及t-SNE可视化进一步验证了该框架的有效性。结果表明，DMSTFD-Net为球磨机负载识别提供了一种强大、稳健且更具可解释性的解决方案。
Keyword:
ball mill
feature decoupling
residual network
bidirectional gated recurrent unit
time-series analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
931
被引数:
8.2K
机构
引用论文
.png){kind=icon}
Mixed style network based: A novel rotating machinery fault diagnosis method through batch spectral penalization基于混合风格网络的旋转机械故障诊断新方法：通过批量谱惩罚实现
PREAI
分享收藏Time-frequency self-similarity enhancement network and its application in wind turbines fault analysis时频自相似性增强网络及其在风力涡轮机故障分析中的应用
PREAI
分享收藏
查看更多内容