针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成...针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks,DNN)、支持向量机(support vector machine,SVM)、降噪自编码器(denoising auto-encoder,DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。展开更多
文摘针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks,DNN)、支持向量机(support vector machine,SVM)、降噪自编码器(denoising auto-encoder,DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。
