录用日期: 2026-06-04
摘要:
针对电机故障特征深度挖掘与精准识别需求,提出了一种基于BiLSTM-Attention的故障检测方法,通过构建多模态特征融合数据集,有效克服了单一模态特征数据集特征有限的不足;实验结果表明,在该融合数据集上训练的模型,准确率、精确率、召回率和F1值分别达到98.64%、97.74%、98.85%和0.9904;其中,准确率较单一模态特征数据集下训练模型提升5.07%;此外,为增强模型在复杂工业现场强干扰环境下的运行稳定性,在训练中引入标准差为0.02的高斯噪声进行数据增强,模型准确率仅下降0.61%,体现了良好的抗干扰能力与鲁棒性;实验结果证明,该方法对于提升电机故障检测性能具有一定的理论价值和实际应用前景。