-
题名基于深度LSTM残差网络的旋转机械故障诊断研究
被引量:1
- 1
-
-
作者
徐敏
王平
-
机构
重庆工业职业技术学院机械工程与自动化学院
兰州理工大学电气工程与信息工程学院
-
出处
《机床与液压》
北大核心
2023年第4期184-190,共7页
-
基金
国家自然科学基金青年科学基金项目(62001198)
甘肃省青年科技基金计划项目(20JR10RA186,21JR7RA247)。
-
文摘
伴随制造加工业对可靠度与精准度的需求不断提升,及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断,主要包含3个模块:初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘,利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题,从而有效完成故障诊断。通过CWRU集完成该方法与文献方法的实验对比,结果表明该方法的鲁棒性较好,诊断正常信号、滚动体与内外圈的故障信号准确率均优于文献方法,此外,所提方法可在较少的epoch中实现稳定,并随着epoch的增加,损失值会逐渐减小。
-
关键词
旋转机械
残差网络
故障诊断
lstm元
鲁棒性
-
Keywords
Rotating machinery
Residual network
Fault diagnosis
lstm element
Robustness
-
分类号
TH17
[机械工程—机械制造及自动化]
TN911
[电子电信—通信与信息系统]
-