摘要：當對滾筒式殘膜回收機的關鍵裝置松土齒耙的應力應變進行實時監(jiān)測時，所獲得應力應變信號易受外部環(huán)境的干擾，難以從信號中識別壅土故障。針對該問題，通過ANSYS分析確定松土齒耙的應變監(jiān)測部位，利用應變片對松土齒耙不同工況進行應變監(jiān)測試驗。基于監(jiān)測數據，提出一種基于算數優(yōu)化算法（AOA）的變分模態(tài)分解（VMD）—雙向長短期記憶網絡（BiLSTM）神經網絡模型工況識別方法。首先，利用AOA對VMD模態(tài)分量的k值和懲罰因子α進行參數優(yōu)化；然后，使用VMD對松土齒耙應變信號進行自適應分解；最后，根據皮爾遜系數將分解并重構后的信號輸入BiLSTM網絡中進行特征學習，實現松土齒耙的工況識別。結果表明，該方法實現對松土齒耙空載、正常工作、輕度壅土、嚴重壅土4種工況精準識別，且效果優(yōu)于VMD-LSTM、BiLSTM、LSTM神經網絡模型，識別準確率達到99.1%以上，有效提高松土齒耙工況識別的準確率。

關鍵詞：松土裝置；工況識別；算數優(yōu)化算法；變分模態(tài)分解；雙向長短期記憶網絡

中圖分類號：S225 文獻標識碼：Ａ 文章編號：2095?5553 （2024） 11?0021?07

Condition recognition of soil breaking device by VMD-BiLSTM model

based on arithmetic optimization algorithm

Dong Zhaosen1， Zhang Jiaxi1， Jiang Yongxin2， Zhang Li2， Luo Wenjie2， Gao Zebin1

（1. College of Mechanical and Electrical Engineering， Xinjiang Agricultural University， Urumqi， 830052， China;

2. Institute of Agricultural Mechanization， Xinjiang Academy of Agricultural Sciences， Urumqi， 830091， China）

Abstract： When the stress and strain of the loose tooth rake， the key device of the drum film recovery machine， is monitored in real time， the obtained stress and strain signal is easy to be interfered by the external environment and it is difficult to identify the back?up fault from the signal. In order to solve this problem， the strain monitoring position of the pine tooth harrow was determined by ANSYS analysis， and the strain gauge was used to carry out strain monitoring tests on the pine tooth harrow in different working conditions. Based on the monitoring data， a condition recognition method of variational mode decomposition （VMD）-BiLSTM neural network model based on arithmetic optimization algorithm （AOA） was proposed. Firstly， the parameters of k value and penalty factor α of VMD modal component were optimized by AOA. Then， VMD was used for adaptive decomposition of strain signal of pine tooth harrow. Finally， according to Pearson coefficient， the decomposed and reconstructed signals were input into BiLSTM network for feature learning， so as to realize the condition recognition of the pine tooth rake. The results show that the method can accurately recognize 4 kinds of working conditions such as no?load， normal working conditions， slight back?up and severe back?up， and the effect is better than VMD-LSTM， BiLSTM and LSTM neural network models， with the recognition accuracy of more than 99.1%， which effectively improves the recognition accuracy of working conditions of the pine tooth harrow.

Keywords： soil loosening device; condition identification; arithmetic optimization algorithm（AOA）; variational mode decomposition （VMD）; BiLSTM

0 引言

松土齒耙是滾筒式殘膜回收機中重要的工作部件之一，在滾筒式殘膜回收機工作時，疏松地膜下的土壤以便于收膜裝置工作，是保證收膜工作效率的重要前提。田間作業(yè)環(huán)境復雜，土壤高低不平，松土齒耙在工作中經常發(fā)生壅土現象，致使整個機具工作效率降低。因此對松土齒耙的工況識別進行研究有重要意義。

在松土齒耙運行過程中，應變信號含有豐富的信息，研究其應變信號可以對松土齒耙進行工況識別。目前，針對信號的分析方法主要有經驗模態(tài)分解（EMD）、集合模態(tài)分解（EEMD）小波變換、變分模態(tài)分解（VMD）等。其中VMD被廣泛應用于振動信號，可以有效的從信號中進行特征提取，并且相較于其他方法VMD具有精度高、收斂快等優(yōu)點。VMD中關鍵參數的設置對信號處理結果至關重要，針對這一問題，目前尚未有統一方法，許多學者選擇優(yōu)化算法對關鍵參數進行選取。Luo等[1]提出了一種改進差分搜索優(yōu)化的自適應VMD與隨機共振相結合的方法，更準確的實現滾動軸承早期弱信號的故障診斷；Li等[2]利用算數優(yōu)化算法優(yōu)化VMD，將離散熵作為適應度函數，實現了天然氣管道泄漏信號檢測；許佳等[3]提出改進灰狼算法對VMD進行參數優(yōu)化用于對高壓油泵進行故障診斷；蔣田勇等[4]利用天鷹優(yōu)化算法天鷹優(yōu)化器對VMD的參數優(yōu)化，最終能夠有效的濾除了橋梁信號的干擾噪聲；郭梓良等[5]針對齒輪箱故障，使用磷蝦群算法優(yōu)化的VMD對故障信號分解，有效的抑制了模態(tài)混疊，有效的提高了故障識別準確率。

智能診斷技術的迅速發(fā)展，雙向長短期記憶網絡（BiLSTM）被提出并廣泛的應用于分類識別方法中，它是循環(huán)神經網絡（RNN）的一種，非常適用于對時間序列數據的處理。Mohamed等[6]提出一種基于改進BiLSTM的軸承故障診斷方法，通過與傳統CNN比較，該方法識別準確率更高；Yang等[7]針對石油測井儲層識別，提出TCN-SA-BiLSTM模型，克服了傳統測井能力上的不足，提高了油氣勘探的效率；余萍等[8]提出一種基于蜜獾優(yōu)化注意力雙向長短時記憶網絡的滾動軸承故障診斷方法，故障診斷準確率達到了99.5%；高超等[9]針對電力電纜故障問題，提出了一種基于CNN-BiLSTM的故障診斷方法，對不同故障進行診斷整體準確率達到98.37%；劉子旭等[10]針對刀具磨損狀態(tài)，提出了基于SSA-VMD-BiLSTM的狀態(tài)識別模型，結果表明BiLSTM模型相較于LSTM更好的處理時序信號。

綜上，VMD可以對信號有效的處理，但其關鍵參數選取尚且沒有最優(yōu)方法，國內外諸多學者分別使用不同的優(yōu)化方法優(yōu)化關鍵參數，都起到了良好的效果；雙向長短時記憶網絡相對于傳統神經網絡有更好的表現，通過前置算法對信號進行處理，BiLSTM可以更好的實現不同狀態(tài)的分類識別，以及對信號的分類。

因此，提出一種基于算數優(yōu)化算法的VMD-BiLSTM的松土齒耙工況識別模型，利用優(yōu)化后的VMD算法分析松土齒耙各種狀態(tài)下的應力應變信號，根據皮爾遜系數提取有效的特征分量將其重構，最后將重構后的信號輸入BiLSTM神經網絡模型中訓練，實現松土齒耙工況的識別。

1 算法原理

1.1 算數優(yōu)化算法基本原理

算術優(yōu)化算法（AOA）是2021年提出的一種根據算術操作符的分布特性實現全局尋優(yōu)的元啟發(fā)式優(yōu)化算法[11]。

1） 通過數學優(yōu)化器加速函數選擇優(yōu)化策略。當r1>MOA時，進行全局探索階段，當r1<MOA時，進行局部開發(fā)階段。其中r1是0～1之間的隨機數。

[MOA（t）=Min+t×（Max-MinT）] （1）

式中： MOA（t） ——當前加速函數值；

Max——加速函數最大值，本文選取1；

Min——加速函數最小值，本文選取為0.2；

t——當前迭代次數；

T——總迭代次數。

2） 探索階段。乘除運算實現全局探索，更新的全局分散性，當[r2<0.5]時，執(zhí)行除法探索策略，當[r2≥0.5]時，執(zhí)行乘法探索策略。

[X（t+1）=Xb（t）MOP+ε?（UB-LB）?φ+LB r2<0.5Xb（t）?MOP?（UB-LB）?φ+LB r2≥0.5] （2）

式中： [X（t+1）]——下一代粒子位置；

[Xb（t）]——當前適應度最佳粒子位置；

MOP——數學優(yōu)化器概率；

ε——極小值；

φ——搜索控制參數，值為0.499；

r2——隨機數，r2∈（0，1）；

UB——上界；

LB——下界。

數學優(yōu)化器概率計算如式（3）所示。

[MOP（t）=1-t1αT1α] （3）

式中： α——敏感參數，定義迭代過程中局部開發(fā)精度，值為5。

3） 開發(fā)階段：利用加法和減法運算實現局部開發(fā)，更新在局部區(qū)域的精確性。

[X（t+1）=Xb（t）-MOP?（UB-LB）?φ+LB r3<0.5Xb（t）+MOP?（UB-LB）?φ+LB r3≥0.5] （4）

式中： r3——隨機數，r3∈（0，1）。

1.2 變分模態(tài)分解（VMD）基本原理

VMD是基于維納濾波、希爾伯特變換和頻率混合所形成的一種將信號[f（t）]分解成一系列的模態(tài)分量（Intrinsic Mode Function，IMF）的過程。通過構造并求解約束變分問題將原始信號[f（t）]分解為k個IMF分量，保證分解序列為具有中心頻率的有限帶寬的模態(tài)分量，同時各模態(tài)的估計帶寬之和最小，約束條件為所有模態(tài)之和與原始信號相等，實現信號頻帶的自適應分解。其中，為求解約束變分問題引入懲罰因子β拉格朗日乘數算子，使問題變成無約束變分問題[12]。k和β為VMD分解中的兩個關鍵參數。

1.3 雙向長短期記憶網絡（BiLSTM）基本原理

BiLSTM是兩個不同方向的LSTM組合而成，隱含層包含兩個具有相同輸入并連接到相同輸出的單元，其中一個處理向前的時間序列，另一個處理向后的時間序列[13?15]。LSTM網絡由遺忘門、輸入門和輸出門3個特殊結構門組成，這三個門利用特定的tanh網絡層來實現信息的傳遞，其具體步驟可參考文獻[16， 17]。本文以BiLSTM為模型核心，對松土齒耙應力應變信號經VMD分解后重構的信號進行雙向更新遞推，針對松土齒4種工況進行迭代訓練。BiLSTM網絡結構如圖1所示。

[Ct=LSTM（xt，ot-1，Ct-1）] （5）

[Ct=LSTM（xt，ot-1，Ct-1）] （6）

[Ct=WTCt+WVCt] （7）

式中： [Ct]——前向LSTM在t時刻記憶細胞狀態(tài)；

[Ct]——后向LSTM在t時刻記憶細胞狀態(tài)；

Ct——t時刻狀態(tài)；

xt——輸入層；

ot——隱藏層；

[WT]——前向矩陣單位狀態(tài)的權重系數；

[WV]——后向矩陣單位狀態(tài)的權重系數。

2 松土齒耙工況分析及試驗設計

2.1 工作流程

滾筒式殘膜回收機在收膜作業(yè)過程中，松土齒耙疏松土壤，減小挑膜齒入土阻力，以便于挑膜滾筒完成收膜工作，松土齒耙與挑膜滾筒裝配相對位置如圖2所示。由于作業(yè)環(huán)境的不確定性，松土齒耙會產生壅土現象，松土齒與挑膜滾筒相對距離較窄，因此該現象會導致殘膜、土壤與挑膜齒發(fā)生干涉，導致收膜率下降、松土齒耙負載增大、使用壽命嚴重下降等問題。

2.2 壅土現象

圖3為壅土現象示意圖，h為實際入土深度；θ為松土齒耙與地面的角度；l為入土深度土壤在松土齒上的相應位置；?l為壅土后土壤在松土齒上的變化量；?h為壅土后土壤堆積變化量。其中l(wèi)可以表達為

[l=hsinθ] （8）

壅土現象主要為單邊壅土、中間部位壅土和整體壅土，其中單邊壅土和中間部位壅土為輕度壅土，整體壅土為嚴重壅土。

2.3 松土齒耙有限元分析及檢測位置

機具正常作業(yè)時，勻速行駛，松土齒耙勻速向前松土，松土齒插入地面80 mm以下主要承受土壤阻力和土壤對機具的支撐力。整機按照2 t計算，而機具作業(yè)時80%的力作用在松土齒上，所以施加在松土齒上機具重力的反作用力為16 kN，整機共計11 根松土齒，每一根松土齒承受1 454 N的支撐力；新疆地區(qū)耕地土壤多為輕壤、輕中壤及中壤土質，其中中壤比阻為60 kPa，根據土壤比阻計算式可得松土齒所受的土壤阻力F，有

[K=Fηab] （9）

式中： K——土壤比阻，kPa；

η——犁耕效率，取0.7；

a——單個入土部件耕深，m；

b——單鏵幅寬，m。

取土壤比阻K=60 kPa，耕深a=0.08 m，寬度b=0.02 m，計算出F=0.067 2 kN。

用ANSYS對松土齒耙進行靜力學特性分析，材質施加條件為Q235普通碳鋼，施加約束在橫梁兩側端板，對松土齒尖施加支撐力和土壤阻力，結果如圖4所示。

從圖4可知，在正常工作狀態(tài)下，松土齒耙橫梁的中間部位變形最大，達到0.65 mm；橫梁與兩側連接板相連附近部位瞬態(tài)應變最大，為機具的應變敏感點。在土槽試驗中試驗條件有限，因此將應變片安裝在松土齒橫梁中間部位以及與兩側連接處，以上三處做為松土齒耙的應變監(jiān)測點，其中中間產生最大變形部位作為輔助監(jiān)測點，應變監(jiān)測點位置如圖5所示。

2.4 試驗條件和應變數據的獲取

通過對松土齒耙應變信號判斷其工況，于新疆農業(yè)大學智能農業(yè)裝備重點實驗室進行場地試驗，采集儀器為DH5922N動態(tài)信號測試分析儀，傳感器為電阻式應變片，軟件為DHDAS動態(tài)信號采集分析系統，動力設備為智能型土壤—機器—植物系統技術平臺。人工設置松土齒耙空載、正常運行、輕度壅土、重度壅土4種工況，采集過程中采樣頻率為10 kHz，入土深度為80 mm，采樣時間為10 s，分別采集各狀態(tài)下10組，每組數據長度為10 000。

每種狀態(tài)的數據通過分析軟件導出Excel文件，在連續(xù)時間范圍內，每個監(jiān)測點均勻的取5 000個數據不重復的數據點，因此，每一種狀態(tài)原始數據有15 000個原始數據點，通過重構后數據點不會改變，4種狀態(tài)下新的樣本數據集有4×3×5 000=60 000個數據點，分別對數據打上標簽，打亂所有樣本按照7∶3的比例劃分訓練集和測試集。數據集參數如表1所示。

3 建立工況識別模型

3.1 AOA優(yōu)化VMD

采用AOA算法對VMD的參數[[k，α]]作為位置更新，以包絡熵最小值為適應度函數，包絡熵代表原始信號的稀疏特性，當IMF中噪聲較少時，特征信息就越多，則包絡熵值較小，反之，則包絡熵值越大。最后通過優(yōu)化計算出適合不同監(jiān)測點信號的變分模態(tài)分解的模態(tài)個數[k]和懲罰因子[α]。通過多次試驗，選取種群數量100，迭代次數為20次，下邊界為[0，1]，上邊界為[3 600，10]。

3.2 AOA-VMD-BiLSTM松土齒耙工況識別模型

由于松土齒耙受到的土壤阻力不均勻、齒耙自身振動以及殘膜回收機的整機振動等因素影響，松土齒耙的壅土故障信號難以提取，建立了一種基于AOA優(yōu)化的VMD和BiLSTM模型的松土齒耙壅土工況識別模型，其工況識別流程如圖6所示。

1） 模擬不同工況，利用DH5922N動態(tài)信號測試分析儀對松土齒耙三個監(jiān)測點的應變信號進行采集，將應變代數值數據通過式（10）轉換為應力值獲得樣本信號。

[ε'=σE] （10）

式中： σ ——應力，MPa；

E——彈性模量，松土齒為普通碳鋼，值為220 GPa；

[ε']——應變。

2） 選取算數優(yōu)化算法優(yōu)化后的k值和α值，優(yōu)化后的VMD將松土齒耙不同狀態(tài)下3個監(jiān)測點下信號f（t）分解成共3k個具有不同特征的穩(wěn)定信號IMF1（1），…，IMF1（k），IMF2（1），…，IMF2（k），IMF3（1），…，IMF3（k）。

3） 設置閾值，根據皮爾遜系數，將每個通道中與原始信號強相關的m個IMF分量進行信號重構，組成新的樣本數據集，將數據集劃分為訓練集與測試集。

4） 構建BiLSTM模型，輸入訓練數據，通過調試參數，獲得性能較好的模型。

5） 通過數據集，驗證基于AOA優(yōu)化的VMD和BiLSTM神經網絡模型的松土齒耙壅土工況識別模型的有效性和準確性。

4 試驗結果與分析

4.1 AOA-VMD試驗結果與分析

為更好地對松土齒耙工作狀況做分類，將信號進行降噪處理，使用AOA算法優(yōu)化VMD參數，監(jiān)測點3為例，適應度函數包絡熵隨迭代次數變化曲線如圖7所示。

從圖7可以看出，最小包絡熵值出現在第6代，之后一直收斂，表明算數優(yōu)化算法收斂速度很快，全局優(yōu)化能力強，適合用于優(yōu)化VMD參數。

經過AOA尋優(yōu)之后得到三個監(jiān)測點信號的最優(yōu)參數組合如表2所示。

接著將最優(yōu)參數組合代入VMD，將3個監(jiān)測點信號分解成一系列的具有不同特征的穩(wěn)定信號IMF，其中對監(jiān)測點3的應力應變數據進行分析如圖8所示，該監(jiān)測點得到7個IMF分量。

通過皮爾森相關系數法分別計算IMF分量與對應監(jiān)測點的原始信號相關程度，閾值設置為0.8，將強相關的IMF分量進行信號重構，如圖9所示。通過對比重構后的信號頻率特征更加明顯，說明通過對強相關的IMF分量重構后的數據去除了噪聲部分，對松土齒耙的運行狀態(tài)特征得以保留。

4.2 不同模型訓練結果與分析

將新的樣本集和原始數據集分別導入BiLSTM和LSTM深度學習模型中進行訓練，獲得較好的訓練模型，分別對VMD-BiLSTM、VMD-LSTM、BiLSTM、LSTM模型的訓練結果進行對比分析。選取迭代50輪，作為試驗輸出結果，得到以上4種模型工況識別方法的準確率、損失值曲線，其訓練曲線如圖10所示。

由圖10（a）可以看出，VMD-BiLSTM模型相對于其他三種模型，在模型開始收斂迭代時，收斂迅速；經200次迭代訓練后，該模型的準確率曲線逐漸趨于穩(wěn)定，并且達到了較高的準確率。VMD-LSTM模型在500次迭代訓練之前，收斂較為緩慢，并且準確率有較大的波動；在此之后曲線整體趨于穩(wěn)定，但較VMD-BiLSTM模型的準確率較低，且波動較為明顯。LSTM與BiLSTM神經網絡模型在150次迭代訓練之后出現了很嚴重的離散現象，準確率出現了很不穩(wěn)定的狀態(tài)，有很大的波動，對結果判斷造成很大影響，在迭代2 000次以后也沒有更優(yōu)的收斂效果；BiLSTM神經網絡模型相較于LSTM神經網絡模型，準確率高出幾個百分點，波動幅度也較小。

由圖10（b）可以看出，4種模型在500次迭代訓練后都趨于穩(wěn)定；VMD-BiLSTM模型在200次迭代訓練后，損失值基本達到0，收斂結果比較穩(wěn)定；VMD-LSTM模型收斂較緩慢，500次迭代訓練之后才趨于穩(wěn)定，損失值在0.5波動，損失值較大；BiLSTM和LSTM模型的損失值比較接近，比其他兩種模型要大的多，導致對結果的準確性降低。

綜上可得，VMD-BiLSTM和VMD-LSTM對復雜的信號能夠達到比較好的處理效果，有較高的準確率，且前者較于后者，有更快的收斂速度、更好的收斂穩(wěn)定性和更高的準確率。

4.3 不同模型工況識別結果對比

為了驗證模型能夠更全面地反映松土齒耙的工作狀態(tài)的識別情況，將測試集輸入4種模型，并輸出混淆矩陣，混淆矩陣如圖11、圖12所示。

由圖11可以看出，3個檢測點分別采集松土齒耙在空載運行、輕度壅土、嚴重壅土4種不同情況下的3組特征數據，將數據分解、重構組成樣本數據，利用VMD-BiLSTM模型訓練結果的總體準確率為99.1%。導入相同數據集，通過VMD-LSTM模型訓練結果總體準確率為97.3%，從結果來看，該模型在正常運行狀態(tài)和輕度壅土有著不完全識別的情況，效果略差于VMD-BiSTM模型。由圖12可以看出，樣本數據為三個特征數據的原始數據，分別導入BiLSTM模型和LSTM模型，前者訓練結果的總體準確率為84.1%，后者訓練結果的總體準確率為80.8%，從結果來看LSTM在正常狀態(tài)下的識別效果更差，有65.5%的數據被識別為空載狀態(tài)和輕度壅土，尤其被識別為輕度壅土占較大比例。從4個混淆矩陣圖中可以得到，本研究所提出的工況識別模型對松土齒耙工作狀態(tài)的識別準確率有大幅度提高，具有更好的狀態(tài)識別性能。

表3分別表示了基于同一數據集，利用上述4種不同診斷模型對松土齒耙不同工作狀態(tài)數據訓練結果進行對比分析，可以明顯得出，VMD-BiLSTM工況識別模型在各項性能指標中均達到97.3%以上，且明顯優(yōu)于其他3種模型，該方法實現了松土齒耙空載、正常運行、輕度壅土和重度壅土信號的智能分類。

5 結論

1） 針對滾筒式殘膜回收機關鍵部件松土齒耙應變信號的特點，提出一種基于算數優(yōu)化算法優(yōu)化變分模態(tài)分解和雙向長短時記憶網絡的松土齒耙工況識別方法，試驗結果表明，該方法能夠準確地識別松土齒耙空載、正常運行、輕度壅土、嚴重壅土4種工況類型，總體準確率達到99.1%以上。

2） 基于松土齒耙的應變數據集，分別利用VMD-BiLSTM模型、VMD-LSTM模型、BiLSTM模型、LSTM模型對同一松土齒耙數據集進行訓練，結果表明：VMD-BiLSTM模型、VMD-LSTM模型在工況識別精度上由于BiLSTM和LSTM神經網絡模型，其中LSTM網絡模型識別效率最差；VMD-BiLSTM模型相較于VMD-LSTM模型提高1.8%，相較于BiLSTM模型提高15%，相較于LSTM模型提高18.3%，證明該方法的有效性。

參 考 文 獻

[ 1 ] Luo Jianqing， Wen Guangrui， Lei Zihao， et al. Weak signal enhancement for rolling bearing fault diagnosis based on adaptive optimized VMD and SR under strong noise background [J]. Measurement Science and Technology， 2023， 34： 064001.

[ 2 ] Li Hong， Chu Lixin， Lu Jingyi， et al. SVD-VMD algorithm and its application in leak detection of natural gas pipeline [J]. Petroleum Science and Technology， 2022， 41（2）： 230-255.

[ 3 ] 許佳， 胡建村， 秦慈偉， 等. 基于參數優(yōu)化VMD和散布熵的高壓油泵故障診斷[J]. 內燃G+8NLHHApihTamNNbHlwrQ==機學報， 2023， 41（2）： 166-174.

[ 4 ] 蔣田勇， 喻晨宇， 黃可， 等. 基于AO算法優(yōu)化VMD參數聯合小波閾值的橋梁信號去噪方法[J]. 中國公路學報， 2023， 36（7）： 158-168.

[ 5 ] 郭梓良， 郝如江， 楊文哲， 等. 優(yōu)化VMD和改進殘差網絡的齒輪箱故障診斷研究[J/OL]. 機械科學與技術， 1-7[2023-04-16].

[ 6 ] Mohamed S N， Bouteraa N， Redjati A， et al. A novel method for bearing fault diagnosis based on BiLSTM neural networks [J]. The International Journal of Advanced Manufacturing Technology， 2023， 125（3-4）： 1477-1492.

[ 7 ] Yang Wenbiao， Xia Kewen， Fan Shurui. Oil logging reservoir recognition based on TCN and SA-BiLSTM deep learning method [J]. Engineering Applications of Artificial Intelligence， 2023， 121： 105950.

[ 8 ] 余萍， 趙康， 曹潔. 基于優(yōu)化A-BiLSTM的滾動軸承故障診斷[J/OL]. 吉林大學學報（工學版）， 1-10[2023-04-16].

[ 9 ] 高超， 劉澤輝， 曹棟， 等. 基于1DCNN-BiLSTM的電力電纜故障診斷[J]. 鄭州大學學報（工學版）， 2023， 44（5）： 86-92.

[10] 劉子旭， 劉德平. 基于SSA-VMD和BiLSTM的刀具磨損狀態(tài)識別[J]. 組合機床與自動化加工技術， 2023（1）： 119-123.

[11] Abualigh L， Diabat A， Mirjalili S， et al. Thearithmetic optimization algorithm [J]. Computer Methods in Applied Mechanics and Engineering， 2021， 376： 113609.

[12] 軒夢輝， 趙思夏， 徐立友， 等. 改進VMD和LSTM的聯合收割機裝配質量檢測方法[J]. 中國農機化學報， 2023， 44（3）： 132-140.

Xuan Menghui， Zhao Sixia， Xu Liyou， et al. Assembly quality inspection method of combine harvester based on improved VMD and LSTM [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（3）： 132-140.

[13] 魏佳恒， 郭惠勇. 基于貝葉斯優(yōu)化BiLSTM模型的輸電塔損傷識別[J]. 振動與沖擊， 2023， 42（1）： 238-248.

[14] 李懷東， 吳騰. 基于BiLSTM和多分支CNN的心律失常自動分類[J]. 機械制造與自動化， 2022， 51（6）： 102-105.

[15] 唐貴基， 周威， 王曉龍， 等. 基于變維GRU-BiLSTM神經網絡模型的滾動軸承壽命預測[J]. 中國工程機械學報， 2022， 20（6）： 498-503.

[16] Hochreiter S， Schmidhuber J. Long short?term memory [J]. Neural Computation， 1997， 9 （8） ： 1735-1780.

[17] Graves A. Supervised sequence labeling with recurrent neural networks [M]. Heidelberg： Springer， 2012： 35-42.