基于长短时记忆网络的旋转机械状态预测研究

被引：80

作者：

赵建鹏

周俊

机构：

[1] 上海工程技术大学机械工程学院

来源：

噪声与振动控制 | 2017年 / 37卷 / 04期

基金：

教育部留学回国人员科研启动基金;

关键词：

振动与波; 长短时记忆; 故障预测; 状态监控; 经验模态分解; 能量熵;

D O I：

暂无

中图分类号：

TH17 [机械运行与维修]; TP181 [自动推理、机器学习];

学科分类号：

120111 [工业工程]; 140502 [人工智能];

摘要：

作为深度学习算法的一种,长短时记忆网络越来越成为时间序列预测的重要手段,简要阐述长短时记忆网络的基本原理,并将其应用于旋转机械状态监控领域,以轴承数据为样本进行仿真,针对轴承数据的非平稳性,运用经验模态分解方法将其分解为平稳信号,并计算其本征模态分量能量熵作为状态特征,通过计算长短时记忆网络对旋转机械状态单步预测的结果,并与支持向量回归机模型的预测结果进行比较,证明长短时记忆网络在旋转机械状态预测方面可以取得比支持向量回归机更好的效果。

引用

页码：155 / 159

页数：5

共 9 条

[1]

基于相空间重构和遗传优化SVR的机械设备状态趋势预测 [J].

王涛 ;

李艾华 ;

高运广 ;

蔡艳平 ;

王旭平 .

噪声与振动控制, 2014, 34 (03) :176-181

[2]

基于支持向量回归的设备故障趋势预测 [J].

宋梅村 ;

蔡琦 .

原子能科学技术, 2011, 45 (08) :972-976

[3]

Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data.[J].Feng Jia;Yaguo Lei;Jing Lin;Xin Zhou;Na Lu.Mechanical Systems and Signal Processing.2016,

[4]

A roller bearing fault diagnosis method based on EMD energy entropy and ANN.[J].Yang Yu;YuDejie;Cheng Junsheng.Journal of Sound and Vibration.2005, 1

[5]

Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics.[J].Hai Qiu;Jay Lee;Jing Lin;Gang Yu.Journal of Sound and Vibration.2005, 4

[6]

Intelligent predictive decision support system for condition-based maintenance [J].