长短时记忆网络在电机故障诊断中的应用研究

针对电机故障诊断采用传统神经网络存在的梯度消失等问题,提出了一种长短时记忆(LSTM)神经网络与Softmax多分类器结合的诊断方法。首先,利用LSTM神经网络在提取时间序列特征方面的良好特性,通过LSTM神经网络与Softmax多分类器构建故障诊断模型。然后,通过Tensorflow学习框架有效提取故障数据特征,并将具有强泛化能力和鲁棒性的Softmax多分类器对其分类,从而诊断出电机内圈、外圈和滚珠三种常见故障,提高诊断结果的准确率,改善传统方法存在的不足。最后,仿真验证所提方法的有效性与可行性。与传统神经网络和堆栈稀疏自编码器分类结果相比,采用LSTM神经网络诊断方法其准确率达到98. 3%,在电机故障诊断中具有更好的诊断效果,且对提高故障诊断的准确率有一定的作用。

双目视觉脉搏图像采集系统精度分析

该文针对自主研制的双目视觉脉搏图像采集系统,利用激光位移传感器对其精度进行分析。构建同步触发系统,控制双目相机与激光位移传感器同步采集。基于双目视觉测量原理,求取激光点质心的空间信息,进而提取脉搏波形。设计巴特沃斯低通滤波器,从激光信号中获取实际的脉搏波形。将两者所得波形的幅值进行对比,得到双目视觉脉搏图像采集系统的测量误差,进行精度分析,为双目视觉后续处理及分析提供了可靠的数据。

深度学习在电机故障诊断中的研究现状综述

深度学习模型在特征提取与模型拟合方面凸显优势,模型基于多层神经网络的层次结构,可以自动学习表达数据本质与隐含规律的特征,同时克服传统学习方法手工设计特征算子的局限性,显示其优势。因此,将深度学习应用于电机故障诊断领域有一定意义。为此,详细介绍了几种典型模型的原理及在故障诊断领域的研究现状,指出了深度学习存在的问题与未来发展趋势。