基于LSTM-RNN的滚动轴承故障多标签分类方法
发布时间:2023-12-24 19:19
为了提高长短时记忆神经网络模型(long short-term memory recurrent neural network,简称LSTM-RNN)对滚动轴承故障分类的正确率并减少训练样本量,提出一种基于多标签LSTM-RNN的滚动轴承故障分类方法。首先,建立滚动轴承故障信号仿真模型,分析滚动轴承故障仿真信号频谱特征及其故障分类特点;其次,结合多标签LSTM-RNN模型结构特点,对滚动轴承频谱特征向量进行编码,并利用仿真故障信号验证多标签LSTM-RNN分类方法的有效性;最后,搭建滚动轴承故障模拟试验台,采集3类转速不同故障类型滚动轴承故障振动信号,并采用3种特征提取方法得到共9组试验数据,基于该数据对多标签LSTM-RNN分类方法和单标签LSTM-RNN分类方法进行对比试验。试验结果表明:多标签LSTM-RNN分类方法相比于单标签LSTM-RNN分类方法,平均分类正确率从69.07%提高到99.21%;在保证两种分类方法正确率相近情况下,多标签LSTM-RNN分类方法训练所需样本量比单标签LSTM-RNN分类方法平均减少69.55%。多标签LSTM-RNN分类方法适用于复杂振动信号...
【文章页数】:10 页
【文章目录】:
引言
1 LSTM-RNN模型
1.1 RNN模型
1.2 带有窥视孔连接的LSTM结构
2 滚动轴承故障信号仿真建模与特征分析
2.1 滚动轴承故障信号仿真建模
2.2 滚动轴承故障特征分析
3 多标签LSTM-RNN滚动轴承故障分类方法
3.1 滚动轴承故障特征编码
3.2 多标签LSTM-RNN分类模型
3.3 滚动轴承仿真故障信号分类验证
4 试验研究
4.1 试验系统搭建
4.2 多标签LSTM-RNN分类方法试验结果
5 结论
本文编号:3875149
【文章页数】:10 页
【文章目录】:
引言
1 LSTM-RNN模型
1.1 RNN模型
1.2 带有窥视孔连接的LSTM结构
2 滚动轴承故障信号仿真建模与特征分析
2.1 滚动轴承故障信号仿真建模
2.2 滚动轴承故障特征分析
3 多标签LSTM-RNN滚动轴承故障分类方法
3.1 滚动轴承故障特征编码
3.2 多标签LSTM-RNN分类模型
3.3 滚动轴承仿真故障信号分类验证
4 试验研究
4.1 试验系统搭建
4.2 多标签LSTM-RNN分类方法试验结果
5 结论
本文编号:3875149
本文链接:https://www.wllwen.com/kejilunwen/jixiegongcheng/3875149.html