基于注意力机制BiLSTM的设备智能故障诊断方法

发布时间：2022-02-26 07:03

　　状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络（ABiLSTM）的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络（CNN）、深度去噪自编码器（DAE）和支持向量机（SVM）等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上. 

【文章来源】：天津大学学报(自然科学与工程技术版). 2020,53(06)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

LSTM神经网络结构

式中：σ为sigmoid激活函数；Wo为输出门权重矩阵.得益于对信息流的控制，LSTM在获取和储存信息方面强于一般RNN网络，能够尽可能地保留目标信息，丢弃冗杂信息，保证提取特征的时序性．

相比于其他神经网络结构，LSTM更加真实地模拟了人类的行为逻辑和神经认知过程，尽管目前在一些复杂任务中，以CNN为代表的前馈网络更具性能优势，但LSTM网络处理深层次复杂任务的潜力更加值得期待．2 基于ABiLSTM的智能故障诊断框架

【参考文献】：
期刊论文
[1]长短时记忆网络在电机故障诊断中的应用研究[J]. 王惠中,贺珂珂,房理想.  自动化仪表. 2019(01)
[2]基于深度置信网络的风力发电机故障诊断方法[J]. 李梦诗,余达,陈子明,夏侯凯顺,李堉鋆,季天瑶.  电机与控制学报. 2019(02)
[3]Remaining Useful Life Prediction of Turbofan Engine Using Hybrid Model Based on Autoencoder and Bidirectional Long Short-Term Memory[J]. 宋亚,石郭,陈乐懿,黄鑫沛,夏唐斌.  Journal of Shanghai Jiaotong University（Science）. 2018(S1)
[4]基于S试件的加工中心电主轴载荷谱编制[J]. 陈代伟,吴军,张彬彬,王立平,梁建红.  清华大学学报(自然科学版). 2018(12)
[5]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[7]基于深度学习的无人机人机交互系统[J]. 侯永宏,叶秀峰,张亮,李照洋,董嘉蓉.  天津大学学报(自然科学与工程技术版). 2017(09)
[8]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博.  机械工程学报. 2018(05)
[9]深度学习在故障诊断领域中的研究现状与挑战[J]. 任浩,屈剑锋,柴毅,唐秋,叶欣.  控制与决策. 2017(08)
[10]深度学习在控制领域的研究现状与展望[J]. 段艳杰,吕宜生,张杰,赵学亮,王飞跃.  自动化学报. 2016(05)



本文编号：3644187