《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于LSTM神经网络模型的液压管路故障诊断方法

作者:孟秋静,杨钢. 日期:2022-12-20/span> 浏览:523 查看PDF文档

基于LSTM神经网络模型的液压
管路故障诊断方法*
孟秋静1,杨钢2

(1.上海电子信息职业技术学院 中德工程学院,上海 201411;2.重庆交通大学 机电与车辆工程学院,重庆 400074)


摘要:在航空发动机液压管路故障信号中,因含有噪声的干扰,导致针对液压管路故障的识别准确率较低,为此,提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。首先,采集了航空发动机液压管路故障的振动信号,根据管路信号的特点设计并确定了LSTM模型;然后,开展了实例分析,将采集的液压管路原始振动信号加入了高斯噪声,并创建成液压管路数据集,利用所建长短期记忆神经网络模型对液压管路数据集进行了时序信息融合;最后,针对液压管路不同的故障情况,采用LSTM神经网络模型与循环神经网络(RNN)、卷积神经网络(CNN)、支持向量机(SVM)和反向传播神经网络(BPNN)等模型,进行了对比分析,验证了LSTM模型对航空液压管路故障分类的可行性和有效性。研究结果表明:在识别故障管路精度上,LSTM神经网络模型明显优于SVM和BPNN等传统的浅层神经网络模型;在抗噪性能方面,LSTM明显优于近年来所用的CNN和RNN诊断方法;这说明LSTM神经网络故障诊断方法对航空发动机外部液压管路故障诊断具有适应性和实用性。

关键词:长短期记忆神经网络模型;流固耦合振动特性;振动信号全局特征;高斯噪声;健康状态识别;时间信息融合

中图分类号:TH137.86;V267;TP183
文献标识码:A文章编号:1001-4551(2022)10-1374-08


本文引用格式:

孟秋静,杨钢.基于LSTM神经网络模型的液压管路故障诊断方法[J].机电工程,2022,39(10):1374-1381.

MENG Qiu-jing, YANG Gang. Fault diagnosis method for pipe bending of hydraulic line based on LSTM neural network model[J].Journal of Mechanical & Electrical Engineering, 2022,39(10):1374-1381.




友情链接

浙江机械信息网