论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 王惠中,贺珂珂,房理想
关键词: 电机故障诊断,梯度消失,传统神经网络,长短时记忆神经网络,堆栈稀疏自编码器,多分类器,泛化能力,时间序列
来源: 自动化仪表 2019年01期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 电力工业,自动化技术
单位: 兰州理工大学电气工程与信息工程学院,甘肃省工业过程先进控制重点试验室
基金: 甘肃省自然科学基金资助项目(1508RJZA090),甘肃省工业过程先进控制重点试验室基金资助项目(XJK201522)
分类号: TP183;TM307
DOI: 10.16086/j.cnki.issn1000-0380.2018070048
页码: 6-10
总页数: 5
文件大小: 1007K
下载量: 383
相关论文文献
标签:电机故障诊断论文; 梯度消失论文; 传统神经网络论文; 长短时记忆神经网络论文; 堆栈稀疏自编码器论文; 多分类器论文; 泛化能力论文; 时间序列论文;