10.3969/j.issn.1006-2475.2023.04.002
基于CNN-BiLSTM网络的数控机床故障文本自动分类
中小数控机床企业在运营维护中积累了大量以人工文本记录的故障维修数据.为了实现高效精准分类,帮助维修人员高效开展工作,本文提出一种基于卷积神经网络和双向长短时记忆网络的故障文本分类预测方法.首先通过构建专业特征词库完成预处理,并采用Word2Vec训练词向量;其次CNN层提取文本向量的局部特征后,前后向LSTM提取上下文特征;全连接层对CNN和BiLSTM层进行特征融合和加权后,全连接层通过Softmax激活函数找到概率最大的输出作为预测结果,并用混淆矩阵呈现各个类别预测准确率.本文依据长三角某企业的故障数据进行实验分析,并与单个CNN和BiLSTM模型对比,实验结果表明新方法预测精度可达94%,平均准确率提高11个百分点,P值、R值和F值均达95%,可作为在小数据量故障文本分类领域的有效方法.
文本分类、数控机床故障、卷积神经网络、双向长短时记忆网络
TP391;TG659(计算技术、计算机技术)
国家社会科学基金;国家级大学生创新创业训练计划项目
2023-05-11(万方平台首次上网日期,不代表论文的发表时间)
共8页
7-14