基于LSTM算法的电子部件故障预测

发布时间：2020-12-22 21:49

　　故障诊断与预测使用大量信息数据,需要采用推断统计、神经网络等研究方法,对测试数据进行分析和预测,从而评估设备健康状况,在故障发生前对指标进行预测和采取预防举措,最大限度保证电子设备健康工作。本文提出了基于LSTM(长短时记忆网络)算法的电子设备部件故障预测模型,针对时序型数据对轴承运行状态进行分析和预测。 

【文章来源】：电子测试. 2020年10期

【文章页数】：2 页

【部分图文】：

多次采样温差电偶信号峰值趋势图

根据图像可见,参数的峰值特征具有一定渐变趋势,故障大概发生至第2000次采样之后,故障发生前峰值基本呈现下凸上升趋势,故障发生后峰值略微下降又再次上升,但是总体来看,特征的渐变趋势不是太明显。以能量特征为例,分析参数的频谱变化如下:根据图像分析,参数的频谱能量具有较为明显的渐变趋势,大致分为四个阶段:第一阶段,采样次数在大概0-1300次之间,能量处于平稳状态,上下波动不明显,轴承处于正常工作状态;第二阶段,采样次数达到大概1300-1750次之间,能量显示出明显上升趋势,并逐步达到峰值,此时轴承处于早期失效状态,主要是由于时间积累造成内部结构发生失效点(疲劳裂纹点);第三阶段,采样次数在大概1750-2100之间,能量由峰值开始下降,但仍处于较高水平,此时轴承处于即将失效状态,主要是因为失效点逐渐累积发展为面,测试点的能量产生扩散;第四阶段是采样大概2100次之后的状态,即轴承处于完全失效状态。根据对温差电偶频谱能量值的数据分析,可以得出轴承的老化趋势,进而使用LSTM网络进行数据拟合如下:

根据图像分析,参数的频谱能量具有较为明显的渐变趋势,大致分为四个阶段:第一阶段,采样次数在大概0-1300次之间,能量处于平稳状态,上下波动不明显,轴承处于正常工作状态;第二阶段,采样次数达到大概1300-1750次之间,能量显示出明显上升趋势,并逐步达到峰值,此时轴承处于早期失效状态,主要是由于时间积累造成内部结构发生失效点(疲劳裂纹点);第三阶段,采样次数在大概1750-2100之间,能量由峰值开始下降,但仍处于较高水平,此时轴承处于即将失效状态,主要是因为失效点逐渐累积发展为面,测试点的能量产生扩散;第四阶段是采样大概2100次之后的状态,即轴承处于完全失效状态。根据对温差电偶频谱能量值的数据分析,可以得出轴承的老化趋势,进而使用LSTM网络进行数据拟合如下:3 结束语

【参考文献】：
期刊论文
[1]基于数据驱动的装备故障预测技术研究[J]. 王亮,吕卫民,滕克难,李佳哲.  计算机测量与控制. 2013(08)
[2]电子电路故障诊断的神经网络数据融合算法[J]. 朱大奇,于盛林.  东南大学学报(自然科学版). 2001(06)



本文编号：2932496