赵建鹏,周 俊
(上海工程技术大学 机械工程学院,上海 201620)
基于长短时记忆网络的旋转机械状态预测研究
赵建鹏,周 俊
(上海工程技术大学 机械工程学院,上海 201620)
作为深度学习算法的一种,长短时记忆网络越来越成为时间序列预测的重要手段,简要阐述长短时记忆网络的基本原理,并将其应用于旋转机械状态监控领域,以轴承数据为样本进行仿真,针对轴承数据的非平稳性,运用经验模态分解方法将其分解为平稳信号,并计算其本征模态分量能量熵作为状态特征,通过计算长短时记忆网络对旋转机械状态单步预测的结果,并与支持向量回归机模型的预测结果进行比较,证明长短时记忆网络在旋转机械状态预测方面可以取得比支持向量回归机更好的效果。
振动与波;长短时记忆;故障预测;状态监控;经验模态分解;能量熵
随着现代大型机械装备日益趋于复杂化、高速化、自动化与精密化,部件之间相互耦合的关系越来越强,一旦其中一个关键部件发生故障,往往会引发机械故障的一系列“链式反应”,从而造成工厂的财产损失甚至是人员伤亡。尤其对于旋转机械来说,其所受载荷为动态载荷,更易发生机械故障,故而对于旋转机械的状态监控和预测一直是研究的热点[1]。
对机械设备进行故障诊断和预测的方法可以分为三种,分别是基于数据驱动的方法、基于模型的方法和基于经验方法。其中基于数据驱动的方法主要应用神经网络、马尔可夫模型等机器学习方法,随着机器学习在今天生产和生活各个领域的广泛应用而获得巨大发展,成为最主要的故障诊断和预测方法。……