针对机械设备信号受噪声干扰大、健康评估结果不稳定且准确率低、易发生健康评估延迟错位、反复穿越分级阈值的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)与长短期记忆(long-short term memory,LSTM)的煤矿离心...针对机械设备信号受噪声干扰大、健康评估结果不稳定且准确率低、易发生健康评估延迟错位、反复穿越分级阈值的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)与长短期记忆(long-short term memory,LSTM)的煤矿离心泵健康评估方法。首先通过EMD对信号进行降噪处理,再通过LSTM算法计算预测值与真实值的差异度,提出分级评估阈值,将两者进行对比实现健康分级评估,并通过故障模拟试验验证了方法的有效性。展开更多
文摘针对机械设备信号受噪声干扰大、健康评估结果不稳定且准确率低、易发生健康评估延迟错位、反复穿越分级阈值的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)与长短期记忆(long-short term memory,LSTM)的煤矿离心泵健康评估方法。首先通过EMD对信号进行降噪处理,再通过LSTM算法计算预测值与真实值的差异度,提出分级评估阈值,将两者进行对比实现健康分级评估,并通过故障模拟试验验证了方法的有效性。