长短时记忆网络在电机故障诊断中的应用研究

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

• 0 引言
• 1 LSTM神经网络原理与算法
•   1.1 循环神经网络
•   1.2 LSTM神经网络原理
• 2 Softmax多分类器原理
• 3 电机故障诊断方法的实现
• 4 试验验证与性能分析
• 5 结束语

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